基于YOLO深度学习模型的铝型材表面缺陷识别方法

针对铝型材表面缺陷快速准确检测的需求,提出一种基于YOLO深度学习模型的铝型材表面缺陷识别方法.对铝型材数据集进行图像增广,解决原始数据集中图像数量少且缺陷数据不均衡问题.建立基于YOLO的铝型材表面缺陷识别模型,通过增加模型预测尺度,提高对微小缺陷的识别能力.对铝型材缺陷数据集的目标框重新进行聚类分析,改进YOLO算...     

基于机器视觉和反向传播神经网络的蓝莓表面缺陷检测

针对蓝莓表面缺陷检测快速、准确的需求,提出一种基于机器视觉和反向传播神经网络的蓝莓表面缺陷检测方法。构建蓝莓表面缺陷图片数据集,通过形态学相加等图像处理技术实现蓝莓图像的背景去除与图像增强,采用最大类间方差阈值方法提取蓝莓表面缺陷。对蓝莓表面缺陷提取外观特征,包括色调分量图像的色调累积频度、纹理特征、几何特征。利用主成分分析优化蓝莓表面缺陷外观特征,构建基于反向传播神经网络的蓝莓表面缺陷检测模型。测试集检测结果表明,采用基于机器视觉和反向传播神经网络的蓝莓表面缺陷检测方法,平均识别率达到92.3%,对腐烂、擦伤、机械损伤、褶皱的识别率均高于83%。     

基于机器视觉的墙地砖表面缺陷检测系统研究

为实现对墙地砖表面缺陷快速精确的自动检测,对基于机器视觉的自动检测技术进行了研究,介绍并开发了一种基于机器视觉的墙地砖表面缺陷自动检测系统。在分析了墙地砖的表面特征、缺陷类型和现有检测算法的基础上,提出了一种基于图像梯度方差和加权信息熵相结合的自适应BHPF滤波检测算法。实验结果表明:该检测算法可快速有效地完成墙地砖表面缺陷的检测,缺陷识别正确率达97.3%。实验验证了理论分析和检测算法的正确性,可用于墙地砖表面缺陷的识别检测。     

基于视觉识别与毫米波雷达的桥梁防撞预警方法

针对桥梁防撞监测过程中船舶识别速度较慢、效率较低等问题,提出一种基于视觉识别和毫米波雷达的桥梁防撞预警方法.建立基于YOLO算法的船舶目标识别模型,通过对船舶数据集目标框的重新聚类分析,优化YOLO算法模型参数.利用多尺度训练方法,增强船舶目标识别模型对不同尺度船舶的适应性和识别精度.通过毫米波雷达来获取船舶的轨迹信息,以实现船舶安全距离的准确判断.试验结果表明,采用基于视觉识别与毫米波雷达的桥梁防撞预警方法,船舶识别准确率为97.30％,单幅图像识别时间约为32 ms,预警成功率为93.33％,可以有效实现桥梁的防撞监测和预警.     

列车滚子轴承表面缺陷机器视觉检测方法研究

针对列车滚子轴承内圈外表面缺陷人工检测方法的不足,提出了一种基于机器视觉的表面缺陷检测方法,通过对缺陷图像的处理和分析,快速、准确地实现了轴承表面缺陷的分类识别.这里使用工业内窥镜进行轴承图像的获取,通过对图像的灰度直方图分析,判断其是否为缺陷轴承;对缺陷图像分别进行二值化处理、形态学滤波和图像标记,以准确获得图像的缺...     

平板玻璃低对比度表面缺陷检测研究

针对玻璃深加工过程中产生的低对比度表面缺陷,提出了一种基于机器视觉的检测识别算法。首先采用灰度形态学顶帽变换,补偿非均匀照明对图像的影响,其次通过Otsu’s最佳全局阈值分割,获取含缺陷的二值图像,然后设计了一种连通区域分析算法来优化低对比度表面缺陷特征。实验结果表明,该算法可以准确、快速地实现微型平板玻璃低对比度表面缺陷的识别,在一定程度上满足微型平板玻璃表面缺陷自动检测需求。     

基于DSSD模型的机械加工件表面缺陷检测研究

针对机械加工件表面缺陷检测问题,对工件表面缺陷种类、缺陷位置进行了研究,对深度学习中的目标检测算法进行了归纳分析,提出了一种基于DSSD模型的机械加工件表面缺陷检测方法。该方法首先利用扫描电子显微镜获取了不同工件、不同位置的表面缺陷图像,建立了工件表面缺陷数据集,并对数据集进行了扩充;然后将DSSD网络模型反卷积模块的网络层数进行了简化,从而降低了计算复杂度;最后利用简化后的DSSD模型完成了对数据集的训练和测试。研究结果表明:DSSD模型的检测效率高于YOLO、Faster R-CNN和SSD这3种模型,能够更准确、快速地检测工件表面缺陷,为实际工业场景下的缺陷检测提供了新的思路。     

融合多层次特征Faster R-CNN的金属板带材表面缺陷检测研究

针对金属板带材表面缺陷呈现形式存在多样性和随机性而导致难以快速定位并准确识别的问题,提出一种融合多层次特征的Faster R-CNN 缺陷目标检测算法(Defect-target detection network,DDN).该算法采用多层次特征融合网络(Multilevel-feature fusion network,MFN)融合 Faster R-CNN中VGG-16 提取的各层次特征图,得到具有丰富位置信息和语义信息的融合特征图,后续网络基于该融合特征图产生最终的缺陷检测结果.利用钢带和铜板表面缺陷检测数据集评估本文算法性能,实验结果表明,提出的DNN 能够快速准确检测出具有不同尺度的多类缺陷,与Faster R-CNN相比,在不损耗过多检测时间的前提下具有更优的检测精度,平均检测时间为129.65 ms或153.17ms,平均准确率均值(Mean average precision,mAP)为86.13％或92.54％.     

基于机器视觉的齿轮端面缺陷检测方法

为了更好的识别齿轮端面在加工过程中所出现的表面缺陷,本文提出了一种基于机器视觉的齿轮端面缺陷检测方法,该方法将会通过对齿轮端面图像的预处理及识别过程,对端面上缺陷的存在性及缺陷类型进行快速且准确的识别。同时,为了实现检测方法所需的图像多分类任务,本文对一般的支持向量机分类算法进行了改进,同时,利用多线程编程方法加速了对缺陷图像的分类过程。最后,本文还通过控制单元实现了对不同类型缺陷的识别反馈。经图像分类测试,本文所述的缺陷检测方法对本文所涉及的工件表面缺陷图像的识别准确率可达100%。     

基于机器视觉的太阳能电池片缺陷检测算法综述

太阳能电池片（Photovoltaic, PV）表面缺陷检测是光伏组件生产中不可或缺的流程。基于机器视觉的自动缺陷检测方法因其高精度、实时性、低成本等优点得到了广泛应用。本文综述了基于机器视觉的太阳能电池片表面缺陷检测方法的研究进展。首先,阐述了太阳能电池片表面成像方式,列举了典型缺陷类型。然后重点分析了基于传统机器视觉算法及基于深度学习算法进行太阳能电池片表面缺陷检测的原理。将传统机器视觉算法分为图像域分析法、变换域分析法进行综述;从无监督学习、有监督学习和弱监督及半监督学习三个方面分别概述了近几年来基于深度学习的太阳能电池片表面缺陷检测的研究现状。对太阳能电池片表面缺陷检测各种典型方法进一步细分归类和对比分析,总结了每种方法的优缺点。随后,介绍了9种太阳能电池片表面缺陷图像数据集及缺陷检测性能评价指标。最后,系统总结了太阳能电池片缺陷检测常见的关键问题及其解决方法,对太阳能电池片表面缺陷检测的未来发展趋势进行了展望。     

基于集成自适应欠采样的铝管表面缺陷检测方法研究

铝管作为一种常见的传输零件,对其表面缺陷进行检测是保证其生产质量、运行安全的必要措施。基于机器视觉的铝管表面缺陷检测方法因其检测精度高、速度快等优点,已取代人工检测,成为主流检测方法之一。但由于缺陷样本与背景样本之间分布不平衡,导致分类器决策边界偏移、检测精度下降,限制了其应用范围。针对这一问题,提出一种基于集成自适应欠采样的铝管表面缺陷检测方法,首先利用支持向量描述方法对数据分布间的重叠区域进行识别,其次通过构建样本局部密度关系自适应确定欠采样对象及数量,最终利用随机空间生成技术同时对数据样本空间和特征空间进行优化。试验结果表明,所提方法在铝管表面缺陷数据集上识别精确率达到98.52%,优于其他先进检测方法。     

基于YOLO与DMPHN的汽车法兰表面缺陷检测

针对流水线动态检测汽车法兰表面缺陷效率较低的问题,提出一种基于改进YOLOv3算法和DMPHN算法的汽车法兰表面缺陷检测方法。在图像预处理阶段使用DMPHN算法,可以解决汽车法兰表面缺陷图片模糊、失真的问题。目标识别网络使用YOLOv3算法,将DarkNet53替换为轻量级模型MobileNetV3,并进行改进,用于检测去模糊后的图像。这一方法的平均精度均值为97.74%,比改进之前提高1.03个百分点,检测速度达到每秒6.8帧。与传统表面缺陷检测方法相比,这一方法通过优化网络结构,解决了特定情况下模糊图像的检测精度问题。     

基于机器视觉的陶瓷砖表面缺陷快速检测方法的研究

为了提高陶瓷砖表面缺陷检测效率,提出了一种基于机器视觉的表面缺陷检测方法。采用了自适应中值滤波算法对表面图像进行预处理,利用形状匹配实现图像之间的对齐,采用Deriche亚像素分割算法实现了陶瓷砖边缘的精确分割,设计局部门限算法实现陶瓷砖表面缺陷图像的提取。实验结果表明：该方法可实现陶瓷砖表面缺陷的快速提取,效果较好。     

硅电池片自动串焊表面缺陷在线视觉检测研究

针对太阳能硅电池片集成串焊在线表面缺陷检测存在的问题,提出了基于机器视觉的硅电池片串焊质量在线检测方法,包括特征识别与视觉测量两部分。在特征识别阶段,提出了一种改进的区域生长算法,对断栅特征实现高速稳定地检测,对于焊后赃污划痕缺陷,先将感兴趣区域自适应阈值化,再通过不变矩等特征筛选异类缺陷;在视觉测量方面,利用目标图像对称性,通过若干采样矩形对焊带偏移及片间距进行基于像素点的测量。该方法实现了在每个传送节拍获取片间图像,通过边缘定位并将原始图像分割为多个感兴趣区域并完成高速在线检测的目标。研究结果表明:提出的硅电池片焊后视觉检测方法能够在自动串焊生产线的快节拍下精确测量与识别缺陷,并具有较好的鲁棒性。     

基于机器视觉的细长产品表面缺陷检测设备研究

为提高对细长产品表面缺陷的检测效率,运用机器视觉技术对细长产品外部轮廓尺寸及表面缺陷状况进行检测.运用机器视觉技术,分析图像传输过程中噪声产生原因及降噪方法;采用canny算法和Simple Blob Dectorte特征点检测方法,提取零件轮廓和色斑轮廓;编写基于机器视觉的表面缺陷检测程序,并通过实验验证了该方法的可行性.采用系统法对表面缺陷检测设备进行整体分析,设计出与检测程序相配套的机械设备.     

金属表面缺陷检测的改进YOLOv3算法研究

针对现有的金属表面缺陷检测方法存在着检测效率低、适用范围受限、处理步骤繁琐等缺陷,提出了基于改进型YOLOv3算法的实时缺陷检测方法。该方法将采集到的图片分为N×N个格子,每个格子用来检测缺陷的中心点是否在格子中,利用特征金字塔与残差层融合特征的方式对图片中的缺陷进行定位,得到多个缺陷的边界框,使用非极大抑制的方法筛选出得分最高的边界框。为了提高检测效果,在输入端对图像进行直方图均衡化,并基于缺陷权重优化了算法中的损失函数以提高缺陷分类的准确性。最后,利用改进型YOLOv3算法对钢板表面的压痕与划痕进行了实验检测,结果显示该方法可以快速、准确检测出钢材表面的压痕与划痕,精度分别为92%和90%。     

钢球表面缺陷的机器视觉检测方法

针对钢球表面缺陷的在线检测要求,提出了一种基于机器视觉的钢球表面缺陷轨道自动检测方法。该方法采用6个CCD摄像头,保证摄取到整个钢球的表面;采用自行设计的碗状红色LED圆顶漫射光源,克服了钢球表面易反光的难题,得到了真实清晰的钢球表面图像;并通过图像缺陷识别、球形表面重构等技术,准确地识别出了钢球表面所存在的缺陷。     

基于神经区域生长瓷砖表面缺陷检测

自动视觉检测是机器视觉在工业方面的一项重要应用。针对目前瓷砖表面缺陷检测仍停留在手工操作水平,劳动强度大,效率低,检测精度远远不能满足实际生产的需要,本文提出一种基于BP神经网络与区域生长法相结合的图像分割技术,并将其应用到瓷砖表面缺陷检测。本算法原理是通过BP神经网络对瓷砖表面进行缺陷检测,将瓷砖主要缺陷分割出来,然后再利用区域生长法对其缺陷部分作进一步分割,使缺陷能被精确、快速地分割出来。通过大量实验说明本算法在实际应用中的精确度达到97%,检测速度得到明显的提高,效果令人满意,具有良好的应用前景。     

基于机器视觉的笔芯球珠表面缺陷检测系统研究

针对笔芯球珠表面缺陷检测识别问题,设计并实现了基于机器视觉的笔芯球珠表面缺陷检测系统。笔芯球珠在球面展开机构作用下,通过图像采集模块获取5张可以完全覆盖整个球面的图像。通过对每幅图像进行缺陷图像提取后,采用基于轮廓角点匹配的方法实现对每幅图像中缺陷图像的拼接;基于提取的有效特征组合通过KNN分类算法对完整的缺陷图像进行缺陷识别。试验结果表明,该方法能够对笔芯球珠表面缺陷进行精确有效的检测与识别。     

基于视觉显著性的太阳能电池片表面缺陷检测

现有基于机器视觉的太阳能电池片表面缺陷检测算法均是采用各种类型的数学模型来进行算法设计,为进一步提高检测准确率,从人眼仿生学角度出发,首次将人眼的视觉注意机制引入到太阳能电池片表面缺陷检测中,提出了一种基于视觉显著性的太阳能电池片表面缺陷检测算法。首先,对输入的太阳能电池片表面图像进行预处理,去除对检测有影响的噪声和栅线;其次,提出一种基于自学习特征的视觉显著性检测算法来大致定位缺陷区域;随后,提出一种视觉显著性和超像素分割相结合的算法来进一步精确定位缺陷区域;最后,通过形态学后处理得到最终检测结果。在包含多种缺陷类型的测试图像库上的主观和客观实验评估表明,该算法具有较高的检测准确率。