卷积神经网络在无纺布缺陷分类检测中的应用

目的针对传统无纺布缺陷分类检测中人工依赖性强、效率低等问题,提出一种能够满足工厂要求的卷积神经网络分类检测方法。方法首先建立包括脏点、褶皱、断裂、缺纱和无缺陷等5种共计7万张无纺布图像样本库,其次构造一个具有不同神经元个数的卷积层和池化层的神经网络,然后采用反向传播算法逐层更新权值,通过梯度下降法最小化损失函数,最后利用Softmax分类器实现无纺布的缺陷分类检测。结果构建了12层的卷积神经网络,通过2万张样本进行测试实验,无缺陷样本准确率可以达到100%,缺陷样本分类准确率均在95%以上,检测时间在35 ms以内。结论该方法能够满足工业生产线中对于无纺布缺陷实时分类检测的要求。     

基于卷积神经网络模型的遥感图像分类

研究了遥感图像的分类,针对遥感图像的支持向量机(SVM)等浅层结构分类模型特征提取困难、分类精度不理想等问题,设计了一种卷积神经网络(CNN)模型,该模型包含输入层、卷积层、全连接层以及输出层,采用Soft Max分类器进行分类。选取2010年6月6日Landsat TM5富锦市遥感图像为数据源进行了分类实验,实验表明该模型采用多层卷积池化层能够有效地提取非线性、不变的地物特征,有利于图像分类和目标检测。针对所选取的影像,该模型分类精度达到94.57%,比支持向量机分类精度提高了5%,在遥感图像分类中具有更大的优势。     

基于深度学习的磁瓦内部缺陷声振检测方法

针对开发一套智能化磁瓦内部缺陷检测设备的需求,提出一种基于深度一维卷积网络的智能识别方法。该方法通过原始时域信号训练深度一维卷积网络,利用卷积网络逐层挖掘信号隐藏特征能力完成智能诊断。与传统方法相比,利用深度一维卷积网络能够摆脱对专家经验和信号处理知识的依赖,以其强大的自动提取特征能力完成磁瓦内部缺陷的智能诊断。在3种类型磁瓦数据上进行特征提取和缺陷识别,实验结果表明,该方法能够有效地从声音信号中提取缺陷特征和识别,结合开发的机械设备,能够满足磁瓦内部缺陷智能化检测的需求。     

基于多分辨率时频特征融合的声学场景分类

声学场景分类是计算机听觉中最难的任务之一,在单一特征条件下采用基本的卷积神经网络相对于传统的分类方法精度已经有所提升,但是效果依然不够理想。针对这一问题,在卷积神经网络框架下,提出了一种基于时频特征融合的声学场景分类方案。在分类模型构建方面,提出一种多分辨率卷积池化方案,构造多分辨率卷积神经网络,以更好地适应提取特征的时频结构;在特征选取方面,融合低层次包络特征对数——Mel子带能量和高层次结构特征——非负矩阵分解系数矩阵,把两种二维特征堆叠为三维特征送入分类模型。在2017年和2018年声学场景分类和事件检测挑战赛的开发数据集上进行了训练和测试。实验结果表明,文中提出方案比基线系统的分类精度分别提高7.5%和10.3%,可有效改善分类效果。     

基于OCT成像的淡水无核珍珠内部缺陷自动检测方法

光学相干层析技术(OCT)作为一种高分辨率的无损光学检测手段,已被用于珍珠的内部质量检测。针对淡水无核珍珠质层内部缺陷检测的需求,提出一种通过光学相干层析图像实现淡水无核珍珠内部缺陷自动检测的方法。根据珠层灰度变化的特点,识别图像中缺陷区域的梯度特征和缺陷位置变化特征,并利用缺陷特征建立反向传播神经网络模型。实验中采集了内部无缺陷和内部有多种类型缺陷淡水无核珍珠的光学相干层析图像各20幅,对图像进行预处理并提取特征,利用K-means算法检测样本类型与所提取特征的匹配度,用特征与类型相匹配的样本特征训练反向传播神经网络模型,使用反向传播网络模型对淡水无核珍珠内部缺陷层进行分类识别。实验结果表明该方法提取特征的匹配度为92.5%,分类准确率达到100%,验证了该方法的可行性和有效性,提出的方法能够作为淡水无核珍珠内部缺陷识别和自动分类的有效手段。     

基于改进YOLOv5s的腌制蔬菜真空包装缺陷检测

目的 针对传统的基于人工的腌制蔬菜真空缺陷包装剔除效率低、漏检率高等问题,提出一种基于改进YOLOv5s的腌制蔬菜真空包装缺陷检测方法。方法 首先,使用Ghost卷积替换CSP模块中的卷积,在提高模型特征提取能力的同时降低网络的参数量;其次,利用空间换深度(Space-to-Depth, SPD)和深度可分离卷积(Depthwise-Separable Convolution, DSConv)组合操作SPD–DSConv进行下采样,减少下采样造成的特征信息损耗;最后,在网络中引入SE注意力机制,提高算法的精确率。结果 在自制的腌制蔬菜真空包装数据集上,改进后的网络平均精度(man Average Precision, A_mAP)为93.88%,模型尺寸为3.91MB,相比原网络精度提高了2.05%,模型尺寸缩减了44.38%。结论 文中方法能够实现腌制蔬菜真空缺陷包装的分类和定位,为基于机器人的缺陷包装剔除奠定了基础。     

基于多域多尺度深度特征自适应融合的焊缝缺陷检测研究EI北大核心CSCD

针对焊缝缺陷检测信号信息丰富度低、深度网络架构人工依赖性强等问题,开展基于多域多尺度深度特征自适应融合的焊缝缺陷检测研究。构建时域数据集并衍生至实数域与复数域中,丰富检测信号的特征表达;设计多域信息融合模型,充分融合特征域信息;提出面向卷积神经网络多维超参数自寻优的模型优化策略,提高模型的效率和性能。试验表明,所提方法对五类焊缝缺陷识别准确率为96.54%,能够在提升识别准确率同时保持较少的参数量和计算消耗,具有较强的实用性和泛化性。     

采用注意力机制的显微图像智能检测方法

显微图像普遍具有背景复杂、细胞多重叠的特点,传统的图像处理方法由于其技术局限性,无法实时准确地完成识别任务.针对上述问题,本文提出一种采用注意力机制的显微图像智能检测方法,该方法对目标检测模型DETR进行改进,利用分组卷积机制对输入特征进行降维并分别训练不同卷积核实现特征提取,从而提高模型对于显微图像中目标物体的注意力...     

基于YOLOv3的医药玻璃瓶缺陷检测方法

目的为了准确而快速地自动检测医药玻璃瓶的外观缺陷。方法基于YOLOv3算法,建立深度卷积神经网络学习检测模型,通过将神经网络结构浅层和深层特征向量连接并标准化,提取玻璃瓶多尺度特征信息。采用K-means聚类方式获得锚点框初始大小,提高模型对边界框预测的准确性;利用多尺度训练策略,增强模型对不同尺寸图像的鲁棒性。结果实验结果表明,提出的医药玻璃瓶缺陷检测方法能够准确检测识别玻璃瓶上的管端残损、气线、气泡、划伤、污渍和结石等缺陷种类。与主流的目标检测方法相比,提出的方法在处理速度和准确度上都有提高,缺陷目标检测精确率达到96.23%,召回率为93.82%,平均精度为89.35%。结论该方法已经在国内几家大型医药玻璃包装生产公司成功应用,显著提高了医药玻璃包装产品的质量和合格率,降低了人工成本。     

基于置信规则和证据推理的超声检测缺陷识别

为解决超声检测缺陷精确识别问题,综合运用检测数据和专家知识,研究一种基于置信规则库(belief-rulebase,BRB)和证据推理(evidential reasoning,ER)进行超声检测缺陷识别的方法。提出一种融合多种特征信息的BRB-ER缺陷识别模型,利用最小均方误差算法进行模型初始参数的优化,从而提高缺陷识别的准确性。通过超声检测手段获取某航空材料的缺陷数据,并对所提出识别方法进行验证。试验结果显示:该方法能够准确地进行缺陷识别,并可根据已有的产品缺陷类型进行训练,建立更加准确的缺陷识别模型。     

一种基于差影法及SVM的在线纸病检测分类方法

目的 解决目前纸病分类算法存在的实时性差、难以适应生产线在线检测要求等问题。方法 提出一种基于差影法和支持向量机的在线纸病检测分类方法。首先使用差影法来判断纸张是否含有纸病;对含有纸病的纸张进行打标机打标,同时存储图像,提取纸病区域外接矩形的特征向量;最后使用支持向量机对纸病进行分类。结果 将该方法与已有的BP神经网络以及朴素贝叶斯方法进行对比可知,分类正确率高于目前已有的分类方法,对于4种纸病的分类正确率均在90%以上,而且实时性好,更加适合于在线检测。结论 该方法可以有效地对纸病进行分类,满足生产线实时检测分类的要求。     

Deep Learning Based Underground Sewer Defect Classification Using a Modified RegNet

The sewer system plays an important role in protecting rainfall and treating urban wastewater. Due to the harsh internal environment and complex structure of the sewer, it is difficult to monitor the sewer system. Researchers are developing different methods, such as the Internet of Things and Artificial Intelligence, to monitor and detect the faults in the sewer system. Deep learning is a promising artificial intelligence technology that can effectively identify and classify different sewer system defects. However, the existing deep learning based solution does not provide high accuracy prediction and the defect class considered for classification is very small, which can affect the robustness of the model in the constraint environment. As a result, this paper proposes a sewer condition monitoring framework based on deep learning, which can effectively detect and evaluate defects in sewer pipelines with high accuracy. We also introduce a large dataset of sewer defects with 20 different defect classes found in the sewer pipeline. This study modified the original RegNet model by modifying the squeeze excitation (SE) block and adding the dropout layer and Leaky Rectified Linear Units (LeakyReLU) activation function in the Block structure of RegNet model. This study explored different deep learning methods such as RegNet, ResNet50, very deep convolutional networks (VGG), and GoogleNet to train on the sewer defect dataset. The experimental results indicate that the proposed system framework based on the modified-RegNet (RegNet+) model achieves the highest accuracy of 99.5 compared with the commonly used deep learning models. The proposed model provides a robust deep learning model that can effectively classify 20 different sewer defects and be utilized in real-world sewer condition monitoring applications.     

基于YOLOv5s网络的垃圾分类和检测

目的 为了实现垃圾自动按类处理,通过研究基于视觉的垃圾检测与分类模型,实现对垃圾的自动识别和检测.方法 采用YOLOv5s网络作为垃圾检测与分类的模型,在自制垃圾分类数据集上对网络进行训练,利用训练好的YOLOv5s网络提取不同种类垃圾图像的特征和位置信息,实现垃圾的分类与检测.结果 在真实场景中进行了测试,基于YOLOv5s的垃圾分类检测模型可以有效识别6种不同形态的垃圾,检测mAP值为99.38％,测试精度为95.34％,目标检测速度达到6.67FPS.结论 实验结果表明,基于YOLOv5s网络的垃圾分类检测模型在不同光照、视角等条件下,检测准确率高,鲁棒性好、计算速度快.同时,有助于促进垃圾处理公司实现智能分拣,提高工作效率.     

磁瓦表面缺陷机器视觉检测与识别方法

针对磁瓦生产过程中表面缺陷检测的重要性和人工检测的弊端,研究基于机器视觉的磁瓦表面缺陷自动检测与识别方法.为解决磁瓦表面缺陷种类多、对比度低、图像中存在磨痕纹理背景和整体亮度不均匀等难点,定义扫描线梯度,其标准差与扫描线灰度标准差构成特征向量,提出基于两类支持向量机的图像分割方法来判别和提取缺陷;并提出一种改进的多类支持向量机方法,对缺陷进行分类识别,解决了多类支持向量机存在不可分区域的问题,提高了分类器的准确性和有效性.实验结果表明,该方法能准确快速地提检测磁瓦表面各区域的各类缺陷,检出率可达到96％以上,识别率超过91％.     

基于改进YOLOv5的金属工件表面缺陷检测

目的 针对金属工件表面小尺寸缺陷检测精度低的问题,提出以YOLOv5网络为基础,结合注意力机制与Ghost卷积的表面缺陷检测算法。方法 首先,在原网络中增加SE通道注意力模块,增加缺陷有关信息的权重,减少无用特征的干扰,从而提高目标的检测精度。然后,将网络中空间金字塔池化模块的池化方式由最大池化替换为软池化,使得在下采样激活映射中保留更多的特征信息,获得更好的检测精度。最后,采用Ghost卷积块替换主干网络中的常规卷积模块,提取丰富特征及冗余特征,以此提高模型效率。结果 改进后网络平均精度均值达到0.997 8,相比原网络提高了7.07个百分点。结论 该网络显著提高了金属工件表面缺陷检测的精度。     

基于小波包时频图特征和卷积神经网络的水声信号分类

水下声信号分类是水声学研究的一个重要方向.一个有效的特征提取和分类决策方法对水声信号分类技术至关重要.文章将鱼声、商船辐射噪声和风关噪声三类实测的水声信号在小波包分解的基础上提取时频图特征,并搭建了一个七层结构的卷积神经网络作为分类器.研究结果表明:三种水声信号的小波包时频图特征结合卷积神经网络在不同测试集可达到(98...     

改进YOLOv3算法用于铝型材表面缺陷检测

针对目前铝型材表面缺陷检测存在的准确率、检测效率较低等问题,提出了一种基于改进的YOLOv3铝型材表面缺陷检测方法。首先通过k-均值聚类算法对采集到的数据集进行聚类分析,选取尺寸最优的目标候选框;考虑到铝型材表面缺陷较大,对YOLOv3的网络层级结构进行调整,并将目标检测层之前的6个CBL单元改成4个,再补充2个残差单元,以提高特征的复用。将提出方法用于铝型材表面缺陷检测,并与经典的卷积网络Faster-RCNN和SSD方法进行比较,实验结果表明,采用提出的算法准确率达到97%,检测速度达到47帧/s,明显优于经典的卷积网络Faster-RCNN和SSD,适于在有高精度快速性要求的铝型材表面缺陷检测中推广应用。     

基于机器视觉的柔性包装袋喷码缺陷检测研究

目的 针对传统喷码检测方法计算量大、字符区域定位不显著、识别准确率较低等不足,提出一种基于机器视觉的柔性包装袋喷码缺陷检测方法。方法 以柔性包装袋上喷码图像为研究对象,以滤波抑噪、阈值处理等技术对图像进行预处理,运用YOLO-V3网络模型对字符区域进行定位,并采用阈值和非极大值抑制算法提高喷码区域定位的显著性,通过改进AlexNet网络结构、运用多特征融合运算等方法,获取更为丰富的图像卷积特征,实现字符串的整体识别,从而提高喷码缺陷识别的准确率。结果 将YOLO-V3联合改进AlexNet的检测方法与传统喷码检测方法进行对比,结果表明,所设计喷码缺陷检测方法的分类准确率达到99.39%。结论 基于机器视觉的柔性包装袋喷码缺陷检测方法在模型计算量、字符区域定位显著性和字符识别准确率都有一定的优势,并有效解决了字符串整体识别的问题。     

小波包能量谱和BP神经网络在波纹管压浆超声检测中的应用

针对小波分析在信号处理的局限性,将小波包分析和反向传播(Back Propagation,BP)神经网络相结合,提出一种基于小波包能量谱和BP神经网络的波纹管压浆超声检测方法。采用超声检测方法接收波纹管模型的回波信号,以小波包分解后各子频带的能量作为检测特征,当波纹管内部出现脱落时,检测特征会发生变化,最后将特征输入BP神经网络中进行分类识别。试验结果表明,该方法能够理想地实现波纹管内部缺陷的诊断,可为波纹管超声检测提供一定的技术支持。