基于改进ACGAN的钢表面缺陷视觉检测方法

为提高小样本环境下钢表面缺陷检测精度,提出一种基于改进辅助分类生成对抗网络（Auxiliary classifier generative adversarial network,ACGAN）的钢表面缺陷检测方法。利用残差块优化ACGAN的网络结构,提高模型的特征提取能力;其次,为提高模型训练的稳定性,在网络的卷积层中添加谱范数归一化,防止模型异常的梯度变化;基于正-未标记分类的思想优化判别器的损失函数,提高生成样本的质量;同时,为缓解生成对抗网络的模式崩塌问题,在损失函数中添加梯度惩罚来约束判别器的梯度;通过生成器和判别器的对抗优化训练实现样本扩充。通过对钢表面缺陷数据集的试验,验证了提出的方法能准确有效地实现小样本环境下钢表面缺陷检测。与经典的SVM、ResNet50以及一些小样本分类模型相比,所提方法具有更高的检测精度。     

集成迁移学习的轴件表面缺陷实时检测

针对轴件表面缺陷分析过程中存在小样本和实时检测效率低的问题,提出一种集成迁移学习的轴件表面缺陷实时检测方法。首先通过相似领域图片的迁移学习,减少对人工大规模标注数据的经验性依赖,采用主成分分析法完成表面缺陷的降维和关键特征向量提取,建立轴件表面缺陷的特征空间,并利用空间位置求解迁移学习的源领域,降低领域间距离度量的复杂度;其次通过训练源领域图片的特征提取器,将特征提取器的网络权值迁移至YOLO V3目标检测模型中,完成相似领域的知识迁移,建立高速生产状态下的轴件表面缺陷实时检测模型。试验表明,该方法在轴件生产现场的实时检测中具有较高的准确度和鲁棒性,集成后的算法模型各类缺陷正检率达97%以上,平均精度均值的方差值缩小近3倍。     

基于优化Faster R-CNN算法的金属板材表面缺陷检测

传统的图像处理方法对生产过程中各种金属板材表面缺陷检测效率低,难以满足工业生产的需求。为了提高金属板材表面缺陷检测的精度,文章提出了一种基于优化Faster R-CNN算法的金属板材表面缺陷检测方法,以残差网络ResNet50作为主干特征提取网络。首先,融合特征金字塔网络和可变形卷积网络以提高对小目标和不规则性缺陷的检测能力。然后,采用RoI Align和K-means++聚类算法对候选框进行优化,实现缺陷的精准定位。最后,将提出的模型运用在NEU-DET数据集中进行多次实验。实验结果表明,优化后的Faster R-CNN算法在此数据集上的mAP为78.7%,与原始网络相比提高了7.7%,并且其检测性能优于SSD、YOLOv5s和YOLOv7三类目标检测算法。     

改进HTC算法的电脑背板表面缺陷检测

针对电脑背板表面缺陷过小,以及缺陷形状具有极端长宽比,导致自动化质检平台检测精度不佳的问题,提出一种改进HTC(Hybrid Task Cascade for Instance Segmentation)算法的电脑背板表面缺陷检测算法。在数据预处理阶段采用聚类裁剪的方式增加小目标缺陷图片的占比;随后通过Copy-Pasted方式增加样本数较少类别的样本,进而均衡每个类别数据的分布;在HTC的特征提取网络中加入可变形卷积以增加网络的感受野,从而缓解极端长宽比缺陷难以检测的问题。最后,在质检现场采集的电脑背板表面缺陷数据集上评估所提出算法的性能,并和基线算法HTC进行对比分析。结果表明,改进的算法对小目标缺陷,以及极端长宽比缺陷,具有更佳的检测效果,并且对各类缺陷均能实现准确检测分割,回归框平均精度(boxAP)达到85.0%,掩膜平均精度(mask AP)达到83.6%,在智能制造自动化生产方面有着更好的应用价值。     

基于卷积神经网络的带钢表面缺陷检测算法

针对现有带钢表面缺陷检测方法准确率低、特征泛化性不强、参数多、识别速度慢等缺陷,基于卷积神经网络,采用DenseNet网络的密集连接算法解决梯度消失和梯度爆炸问题,堆叠式空洞卷积扩大卷积核感受野,深度可分离卷积减少网络参数量,提出一种用于带钢表面陷检测的深度神经网络模型Ds-DenseNet算法。以NEU带钢表面缺陷数据集为基础缺陷样本,加入正样本,并对其进行数据增强操作,创建AUG-NEU数据集,本算法在AUG-NEU数据集上的测试精度高达99.38%,参数量为117958,仅占DenseNet121和ResNet50参数量的1.7%和0.5%,识别速度高达1.3ms/frame,分别是DenseNet121、ResNet50识别速度的2.3倍和2倍,完全可以满足带钢生产线实时检测的需求。     

铸件缺陷语义分割的编码器-解码器网络

深度学习的快速发展扩展了基于视觉的缺陷检测应用。针对铸件缺陷类间差异小、类内差异大、缺陷规模小等难点，提出一种编码器-解码器架构的语义分割网络，使用在ImageNet上预训练的ResNeSt主干网络作为特征提取器，构建密集连接的多尺度特征融合模块提升有效特征利用率，增强网络特征表示能力，解码器端融合低层级特征改善缺陷边缘分割效果，再通过双线性插值进行上采样以恢复空间分辨率。网络在构建的X射线铸件缺陷分割数据集上进行训练和评估，采用混合损失函数解决数据集样本不均衡问题，提升模型性能。实验结果表明，提出的语义分割方法能够提升铸件缺陷分割精度，效果优于其他语义分割方法。     

迁移学习在热轧钢带表面缺陷分类中应用研究

为了提高热轧钢带表面缺陷分类的检测准确率和速度,同时鉴于热轧钢带缺陷的数据库规模较小,提出结合参数迁移学习的卷积神经网络模型,来解决少量样本导致网络过拟合和精度低的问题。使用源域的最优参数作为模型的参数初始化,节省训练的周期;构建训练目标域的神经网络模型,使用预训练模型网络中的参数和结构,对目标域进行特征迁移;进行finetune,结合inception-v3结构的全连接层映射到目标域所需要的特征向量维度。实验使用现有热轧钢带表面缺陷数据库中的图片,有6类缺陷。通过对比改进AlexNet模型和结合迁移学习的模型,在测试集的实验平均准确率分别约为96.6%,99.8%,分类效果优于传统视觉分类算法。并且在实验中观察到结合参数迁移学习的损失更小和权重收敛速度更快。     

改进YOLOv5的镜头固定槽表面缺陷检测

针对手机镜头固定槽表面缺陷过小导致自动化质检平台难以检测的问题，提出改进YOLOv5的镜头固定槽表面缺陷检测算法实现。在图片预处理阶段使用有效的数据增强策略来平衡不同类别样本的分布；在FPN中添加融合因子控制特征图融合时深层传递到浅层的信息，得到含有更多小目标信息的多尺度特征图；使用K-means算法得到更适合本数据集的先验框数量和大小。通过采集的镜头固定槽表面缺陷数据集评估本算法的性能，并和基线算法YOLOv5进行对比分析。实验结果表明，改进的算法对小目标缺陷拥有更好的检测效果，并且对各类缺陷均能实现准确分类定位，平均精度均值（mAP）达到92.70%，满足智能制造自动化生产的需求。     

强化空间感知的多尺度芯片表面缺陷检测算法

在检测芯片表面缺陷时,多尺度和不规则形变的缺陷导致模型难以精准定位并正确聚类,为此,提出一种改进YOLOv5网络的芯片表面缺陷检测框架。利用基于边缘信息的数据增强策略,降低芯片走线的背景纹理,增强不规则边缘的输入特征;提出多尺度空间感知池化层MSSPP(multi-scale spatial perception pooling layer)强化网络对多尺度目标的空间定位能力和高维特征提取能力;引入ConvNext模块和RFB模块优化网络检测性能、丰富模型的感受野;最后,通过难分样本重检策略过滤错误目标、重检混淆目标,提高模型的识别精度。实验结果表明：相较于典型的目标检测算法,提出算法的识别精度更高、鲁棒性更强。在芯片表面缺陷数据集上,mAP0.5指标达到95.5%,可为芯片表面质检任务提供高精度的缺陷检测方案。     

焊接缺陷磁光成像卷积神经网络识别方法

对焊件表面及亚表面微小焊接缺陷进行检测是保证焊接质量的关键,提出一种基于深层卷积神经网络的磁光成像焊接缺陷检测方法。以法拉第磁致旋光效应为基础,分析磁光成像原理,建立深层卷积网络预测模型,研究不同模型结构参数对训练结果的影响。通过对深度卷积神经网络中间机理分析,研究模型训练过程并自动寻找卷积核最优参数。试验结果表明,第一层卷积核尺寸选择7×7和采用Relu激活函数可以使预测模型达到最佳效果,焊接缺陷磁光成像平均训练准确率为98.61%,凹坑、裂纹、未焊透、未熔合、无缺陷5种焊接试样预测准确率分别为84.38%、98.05%、84.38%、100%、100%,平均预测准确率为93.36%。