基于改进谱残差的工件表面缺陷检测方法研究

在零件加工过程中,能够及时的发现加工工件的表面缺陷,可以保证加工质量。针对由于刀痕影响工件表面缺陷不易检测的问题,提出一种基于谱残差视觉显著模型的工件表面缺陷检测算法。首先,对工件表面图像预处理,使用同态滤波方法消除工件表面光照不均匀的影响;然后提出改进的谱残差视觉显著模型,大致定位缺陷;随后使用视觉显著性和超像素分割相结合的算法来进一步确定缺陷的位置;最后使用形态学运算,得到最终的检测结果。在现场采集图片库上客观实验评估表明,该算法具有很高的准确率且检测速度快。     

基于改进BiFPN的微特电机电枢表面缺陷检测方法

针对现有微特电机电枢表面缺陷检测方法存在检测精度不高,特别是对相似性工件容易误判等问题,结合深度学习的方法,提出一种基于改进BiFPN的电枢外观缺陷检测方法。工业相机采集到的电枢图像通过匹配算法经过裁剪得到ROI,将ROI输入到EfficientNet结构,进行基础特征提取;采用通道注意力机制增强改进的BiFPN结构,对提取出的不同维度特征进行融合,并对特征进行筛选;使用分类器输出最终检测结果。结果表明：该电枢外观缺陷检测方法检测准确率优于ResNet和EfficientNet等深度学习检测方法,其检测准确率高达98.42%。研究结果对相似性较大的微特非标工件的检测性能提升有积极意义。     

基于卷积神经网络的工件表面缺陷检测方法

为了提高工件表面缺陷检测的准确率,基于卷积神经网络的原理和工件表面缺陷检测的应用背景,对分割网络模型进行了改进。改进的分割网络模型中优化分割模块中的卷积层和卷积核大小,下采样时使用最大池化代替大步长的卷积。决策模块中通过改变卷积层和池化层得到更多的输出神经元,获得了更多的工件特征。实验验证表明,改进的分割网络模型应用到工件表面缺陷准确率达到了99.4%,比目前工件表面缺陷检测技术DeepLabv3、U-Net的准确率有所提高。     

基于改进Faster R-CNN的轴承表面缺陷检测

针对轴承表面缺陷小、几何形状多变以及低对比度的特点，提出了一种改进的Faster R-CNN算法，对轴承表面缺陷进行检测。首先，以ResNet-50结合特征金字塔网络对轴承表面缺陷进行特征提取；其次，在改进的特征提取网络中引入可变形卷积，通过卷积学习偏移量自适应调整感受野，提高了缺陷的提取能力；最后，针对ROI Pooling因二次量化而导致的区域不匹配问题，采用基于双线插值的ROI Align改进ROI Pooling。实验结果表明，在采集的轴承表面缺陷数据集上，改进的Faster R-CNN平均精度均值为97.6%,与改进前相比，提高了11.76%,可以实现对轴承表面各类缺陷更为准确的检测，具有较强的实用性。     

基于机器视觉的铸件表面缺陷人工神经网络检测方法

提出一种基于机器视觉与人工神经网络的铸件表面缺陷识别方法,采用计算机图像技术采集和处理生产线上的铸件表面图像信号,采用改进的BP神经网络算法对图像信号进行缺陷识别分析.该方法在为某厂研制的铸件表面缺陷检测系统中使用后,作业时耗平均降低4min/工件,表面缺陷检出准确率平均提高15%,实践表明本文方法是可行、有效的.     

基于改进的YOLO v3的工件识别方法研究

针对传统识别方法受工件的摆放角度、位置影响较大,鲁棒性差的问题,提出了一种基于改进的YOLO v3的工件识别方法。首先,采用深度可分离卷积网络对Darknet网络进行结构改进,减少了计算复杂度,提高了检测速率;其次通过K-means聚类方法对数据集参数进行聚类,得到了更适合工件识别的预测框,确定了预测框的参数;然后运用了图像增强的方法对采集的图像集进行处理,扩充了训练样本;最后在训练迭代后,采用多种评价指标联合评价的方法,将所设计的算法与多种检测算法进行对比。实验结果表明,基于改进的YOLO v3的工件识别方法在测试集的准确率达96.5%,召回率达93.4%,识别速率达63fps,更能满足工业生产中工件识别的需求。     

基于二值化赋范梯度的中厚板表面缺陷检测

目的 针对中厚板表面复杂、缺陷识别率低的问题,设计一种有效的候选窗口提取方法,提升中厚板表面缺陷检测的准确性与实时性。方法 引入视觉选择性注意机制,采用一种基于二值化赋范梯度特征（Binarized Normed Gradients,BING）的一般对象估计算法来快速准确地提取缺陷感兴趣区域（Region of Interest ,ROI）,有效缩短搜寻过程。首先将样本归一化到8×8大小,提取规范化梯度特征（Normed Gradients,NG）,学习一个测量显著性的线性SVM分类器来预测图像窗口含有缺陷的可能性。然后再通过样本尺度优化显著性评分,学习一个校准显著评分的线性SVM分类器。最后将两个SVM模型级联,用于在线检测,提取缺陷感兴趣区域。结果 将训练好的BING模型与Inception-V3卷积神经网络相结合,用于中厚板表面缺陷检测与识别,BING算法有效减少了ROI数量,在ROI数量为500的情况下,达到了98.2%的召回率。结论 在保证缺陷召回率的前提下,BING生成的ROI数量比滑动窗口遍历方式少2个数量级,有效减少了后续识别算法的计算量,有利于引入复杂的分类器提升中厚板表面缺陷识别的准确率。     

基于改进的Faster-RCNN模型的汽车轮毂表面缺陷在线检测算法研究

目的 通过构建轮毂在线生产视觉检测系统，预测轮毂生产过程中轮毂表面的缺陷。方法 根据轮毂表面缺陷的定义和评价标准，给出了轮毂表面缺陷的计算模型，采用了改进型的Faster-RCNN目标检测算法，引入了深度生成式对抗网络，消除图像的模糊性，再利用清晰的轮毂表面图像进行模型训练，结合领域专家的判别标准，优化网络参数，构建轮毂表面缺陷检测模型。利用深度学习Pytorch框架，在NVIDIA Tesla P100图像加速卡上进行模型训练，并对模型结果进行对比性实验分析，找出最优的预测模型。结果 在基础网络部分，采用残差模型ResNet101网络比采用VGG16模型的准确率提高了24%。在目标检测网络模型中引入了多通道特征融合模块，准确率提升了2%。再引入FPN金字塔模型，融入低级和高级语义信息，使得输出的多尺度的预测特征图谱效果更好。最后把残差网络的ROI-Pooling算法改为ROI-Align算法，准确率提高了5%。通过对网络模型的不断改进和优化，轮毂表面缺陷的识别率不断提高。结论 利用改进型的Faster-RCNN网络能够识别出轮毂表面缺陷的种类和位置，满足生产环境的要求，具有一定的工程应用价值。     

基于深度学习的子弹缺陷检测方法

针对子弹的表面缺陷检测使用常规的图像处理效果并不理想,文章提出使用改进的卷积神经网络和Faster RCNN网络相结合的方法,首先采集子弹不同类型的缺陷图像作为数据集,然后使用改进后的VGG16和ResNet50两种卷积神经网络分别处理数据集图像,再经过RPN网络和Fast RCNN网络的训练,对图像进行分类与缺陷特征提取,获取比较准确的缺陷区域的框图。实验结果表明,使用改进后的卷积神经网络与Faster RCNN网络相结合的方法可以提高子弹缺陷检测的准确率、召回率和m AP,准确率、召回率和m AP均可达到90%。     

基于机器视觉的线缆表面缺陷快速检测算法研究

利用机器视觉技术检测线缆表面缺陷时,检测时间长、漏检率高。为此,提出一种基于机器视觉的线缆表面缺陷快速检测算法。通过引入CV-Kmeans区域分类算法建立自适应滤波窗口改进高斯滤波算法,在此基础上建立自适应模板,然后计算原图像与模板的Pearson(皮尔逊)相关系数快速判断图像是否含有缺陷。对含有缺陷的图像进行模板与原图差分,最后对差分所得到的图像用自适应阈值分割法提取缺陷。实验表明,算法可有效识别缺陷并减少检测时间,漏检率为3.22%,满足线缆生产需求。     

基于改进Faster R-CNN的航空发动机制件表面缺陷检测算法北大核心

针对现有航空发动机制件缺陷检测所存在的检测准确率低、速度慢等问题,提出一种基于改进Faster R-CNN算法的缺陷检测方法。该算法使用深度残差网络提取缺陷特征,采用含有内容感知重组的特征金字塔模型融合各层次特征图,并根据检测框尺度选取相应层次的特征图进行检测和识别,在RCNN部分使用分层采样实现挖掘难例,增强模型对难例样本的学习。实验结果表明:所提算法具有较高的检测准确率,而且能够有效提升检测速度。     

基于机器视觉的线缆表面缺陷检测系统设计与算法研究

针对相关行业对线缆表面质量检测的需求和人工检测方法的不足,提出一套基于机器视觉的线缆表面缺陷实时检测系统的设计方案。设计了满足工业生产线条件的视觉硬件设备,用于采集优质的线缆图像。在图像处理算法中,改进行灰度均值法实现了复杂环境下图像线缆区域的提取;改进双边滤波建立背景并与原缺陷图像差分实现了缺陷信息的分割。通过对300张存在小孔、划痕、绝缘皮破损等线缆缺陷图像进行检测试验,结果表明:该算法检测准确率高于96.3%。     

基于神经网络的磁瓦表面缺陷检测识别

目的针对传统算法提取磁瓦表面缺陷的局限性,以及通过人为选择缺陷特征进而判断缺陷种类的方法精度不足等问题,结合改进的UNet模型和一个分类神经网络提出一种磁瓦缺陷检测识别算法。方法改进的UNet模型用于提取缺陷,而分类神经网络则用于对所提取的缺陷区域进行分类识别。为了提高模型的分类精度,使用空洞卷积对UNet模型部分卷积层和池化层进行替代,以减少多次池化带来的细节丢失的问题,同时,增加多次跳跃连接,使UNet模型能够融合更多的卷积特征。结果经实验验证表明,改进UNet模型对缺陷区域的预测精度可达到93%。根据预测结果使用分类神经网络对缺陷进行分类,经实验验证,分类的精度可达94%,满足工业要求。结论改进的UNet模型对磁瓦缺陷提取精度有所提高,分类神经网络的缺陷分类精度较高。结合改进的UNet模型和分类神经网络能同时并有效地实现缺陷提取和分类识别,为磁瓦质量检测和性能评估打下基础。     

基于Faster R-CNN算法的列车轴承表面缺陷检测研究

将深度学习Faster R-CNN应用于列车轴承图像的表面缺陷检测。建立人工数据库BSD,通过对图像增广弥补数据不足的缺陷;采用Faster R-CNN算法进行目标检测和识别,卷积神经网络采用ZF Net模型,对BSD数据集训练,得到检测结果;并与传统检测方法Canny算法的检测结果进行比较。试验结果表明:和传统Canny算法比较,基于Faster R-CNN算法的轴承缺陷的检测精度为93.03%、检测时间为0.29 s,相比传统Canny算法检测精度提升21.73%、检测时间减少2.21 s,同时准确率大幅度提高,能够实现轴承表面缺陷的精确检测和识别,满足铁路部门对轴承检修的需求。     

一种非线性扩散与图像差分的金属表面缺陷检测方法

目的为检测金属产品表面缺陷提供一种有效的方法,希望可以对金属产品表面质量进行监控。方法首先,引入自适应中值滤波方法对原始图像中的噪声进行滤除,以提高金属表面缺陷的检测正确度。然后,利用图像梯度的倒数对传统的P-M非线性扩散模型中的扩散因子进行改进,使得金属表面图像中梯度值较大的区域得以平滑,同时保持其他区域的平滑度不变。将金属表面的原始图像与经过非线性扩散后的图像进行图像差分运算,以消除光照度对金属表面图像的影响,获取均匀背景的金属表面图像,使得缺陷区与非缺陷区的对比度得以增强。最后,通过差分图像中图像块的标准差构造自适应二值化模型,对差分图像进行二值化,以提取金属表面的缺陷区域,实现对金属表面缺陷的准确检测。结果通过对具有划痕、裂纹、缺口以及锈斑缺陷的图像进行检测表明,该方法能够对金属表面缺陷进行准确的检测。结论所设计的方法能对金属表面缺陷进行检测,并且检测精度也优于当前其他金属表面缺陷检测方法。     

基于深度学习的曲面玻璃表面缺陷检测方法

针对曲面玻璃表面缺陷成像难、识别准确率低等问题,提出一种基于YOLOv4的曲面玻璃表面缺陷检测方法。根据光源的方向确定平面与曲面的光学特性,采用明场背面漫射照明的方式来获得图像信息,确立打光方案后获取不同表面的缺陷图片。使用改进K-means聚类算法,采用交并比函数确定锚框的量度,解决原锚框大小不适用于玻璃缺陷小目标检测问题。将所提方法与缺陷检测主流算法对比验证。结果表明：所提改进的YOLOv4方法均值平均精度(mAP)可以达到80.14%,与Faster RCNN以及YOLOv3算法相比,mAP分别提升了8.29%和16.11%,并且有更好的鲁棒性和检测效果。     

基于机器视觉与Faster-RCNN的Delta机器人工件识别检测

针对传统并联机器人在工作环境中存在抓取不精确、定位与分类识别效率低下的问题,提出一种基于机器视觉与Faster-RCNN神经网络的工件识别检测技术。采用Delta机器人实验平台采集图像,进行图像的预处理操作并将其添加至网络训练集。通过Python3.7-torch1.7搭建深度学习中的Faster R-CNN卷积神经网络,作为基本框架训练工件图像数据集。最后将训练后的卷积神经网络得到的工件检测结果与原实验工件识别系统对比。结果表明：改进后的识别平均精确度比原有识别系统有所提高,反应时间缩短,并且能识别不同类型的工件。