R-AdaBoost带钢表面缺陷特征选择算法

带钢表面缺陷形式的复杂多变给特征的选择带来了困难,为此,提出一种融合特征筛选和样本权值更新的R-Ada Boost特征选择算法。该算法在Ada Boost算法的每个循环中通过Relief算法进行特征的筛选与降维,通过筛选后的特征利用样本的类内类间差去除噪声样本,然后根据Ada Boost的动态权值更新样本库,再利用每个循环优化选择得到的最优特征与弱分类器级联成最终的Ada Boost强分类器,进行带钢表面缺陷的检测与定位。实验结果表明,针对带钢实际生产线上的划痕、褶皱、山脉、污点等多种缺陷,该算法可以有效提取出具有高区分性和独立性的特征,同时提高了缺陷检测算法的准确率。     

基于改进残差网络的电缆终端缺陷识别方法

针对动车组乙丙橡胶电缆终端缺陷局部放电识别准确率低的问题,提出一种基于改进残差网络的车载电缆终端缺陷识别方法。首先制作了含4种典型绝缘缺陷的电缆终端,搭建局部放电检测平台获取不同缺陷状态的局部放电信号、建立数据集;然后利用特征变换将局部放电一维时序信号转换为二维拓扑特征图像,从而增强缺陷类别的可区分性;最后,在残差网络ResNet101模型中加入注意力机制,同时融合Center和Softmax损失函数进行训练和识别分类,进一步提升准确率。测试结果表明,该诊断方法对电缆终端局部放电的识别准确率高达97.3%,相比于其他传统缺陷诊断方法,模型的识别精度更高、均衡性更好。     

基于Gabor小波和加权马氏距离的带钢表面缺陷检测

针对现有带钢表面缺陷检测方法检测率低,难以满足高质量带钢生产的需求。本文融合Gabor小波变换和加权马氏距离阈值化方法,提出了一种新的带钢缺陷检测算法。首先通过实验获取Gabor滤波器一组最优参数,对采集到的样本图像做Gabor模板卷积,得到边缘图像。然后对图像像素点进行加权处理,重新估计马氏距离的协方差矩阵,增大感兴趣区域像素点权重,得到任意灰度值样本与总体样本加权的马氏距离,增强了目标缺陷的边缘特征。最后利用连通区域标记法,搜索并标记带钢缺陷位置,完成了缺陷检测。实验对比表明本文提出的带钢缺陷检测新算法检测率为94.13%,漏检率为4.87%,验证了算法的有效性。     

基于主结构提取与签名算法的织物缺陷检测

为解决目前基于图像处理的织物缺陷检测算法中,因织物组织纹理结构复杂、花型繁多造成的检测效果差的问题,提出一种基于主结构提取与图像签名算法的纹理织物缺陷检测方法。首先,使用改进的总变差模型去除织物纹理提取主结构;其次,利用高斯变换对待检测图像进行多尺度分解,构建高斯金字塔;然后根据视觉注意力机制提取颜色特征,通过图像签名算法对疵点进行显著性检测,最后利用自适应阈值的方法分割得到疵点区域。实验结果表明,算法可有效地提取各种织物的主结构,实现不同纹理织物图像的缺陷检测。     

结构化矩阵分解的网状织物缺陷检测方法

针对在网状织物缺陷检测过程中因纹理复杂造成误检问题,提出了一种结构化矩阵分解的网状织物缺陷检测方法。 首先,通过 Retinex 算法对图像进行增强,利用所提取的底层图像特征生成特征矩阵,并将其分解为含有织物图像背景信息 的低秩矩阵和含有缺陷信息的稀疏矩阵;其次,引入了高级先验矩阵和索引树两个部分,通过利用增强后图像进行获取,并 对两个部分进行特征融合,实现缺陷显著性增强。 通过计算稀疏矩阵的值,获得缺陷的显著性的大小;最后,通过最佳阈值 分割算法分割缺陷显著图,从而得到缺陷检测结果。 利用公开数据集 TILDA 和 BASLER 工业相机采集到的网状织物缺陷图 像验证了算法的性能。 研究表明,与其他算法相比,本文算法的识别准确率达到 94. 25%,召回率达到 92. 48%,分类准确率 达到 90. 12%。     

基于改进 SqueezeNet 的棒状物表面缺陷识别

高速流水线生产的棒状物极易产生各种表面缺陷,但基于传统图像处理的缺陷识别方法易受环境影响、可靠性低,而基于深度学习的缺陷识别方法存在模型过大、识别准确率受制于样本数量等问题。因此,本文提出了一种基于改进SqueezeNet的棒状物表面缺陷识别系统。设计了可获取圆周对称小体积棒状物全表面图像的采集装置,并在轻量级卷积神经网络SqueezeNet中引入注意力模块以改善模型的特征提取效果,利用数据平衡方法提升数据集内少数类样本的识别准确率,利用迁移学习的方法进行深度学习训练,减轻数据集样本不足对训练效果的影响。以生产线上的卷烟烟支为研究对象,采集其圆周表面图像进行实验,结果表明,改进方法在少样本条件下的分类准确率达到了94.49%,其中对于少数类样本的F1分数提高了31.19%,单张图像检测时间约1.66 ms,模型轻量化,可满足工业生产线中棒状物实时缺陷识别的需求。     

基于改进KNN边缘滤波算法的陶瓷绝缘子表面检测研究

高压线上陶瓷绝缘子全表面检测是保证其质量的重要一环,由于其表面复杂,目前主流是人工检测,漏检、错检无法避免。用带有机器视觉的自动化装置来检测陶瓷绝缘子是近年来的趋势,本文针对绝缘子的气泡、裂纹等主要缺陷进行识别,提出最优滤波器方法加大气泡缺陷对比度,对气泡ROI进行定位和提取,通过改进KNN边缘滤波来预处理图片,对裂纹进行定位识别,最后通过特征进行筛选。该方法能够快速、准确地识别陶瓷表面缺陷特征,识别效率在200 ms以内,识别率达到了98.2%,满足高压线陶瓷行业的精度需求。     

基于数学形态学的手机屏缺陷检测算法设计

针对手机屏颜色单一、缺陷形状特征明显等特点,提出了一种基于数学形态学的表面缺陷自动检测方法.采用CCD工业相机获取单帧图像进行滤波预处理,然后运用灰度形态学方法进行缺陷分割;并通过提取缺陷的形态特征进行缺陷分类.实验结果表明:算法可靠,能有效地识别缺陷,同时准确地判别缺陷类型.     

基于多尺度纹理特征的EPR电缆终端故障诊断方法

高速铁路列车中乙丙橡胶(EPR)电缆终端常因制作过程中操作不当而导致出现多种缺陷,造成终端局部放电甚至击穿的现象,对检测到的局部放电信号进行准确分类仍然是亟待解决的难题。分别制作了含尖端、环切划伤、金属微粒、气隙4种典型缺陷的终端试样,通过试验记录了各类试样的放电谱图信息。基于试验得到的局部放电谱图库,提出通过图像金字塔理论,构建多尺度局部放电谱图空间,并从中提取1阶纹理统计量、2阶纹理统计量及高阶纹理统计量作为缺陷类型识别的特征参量。同时,结合随机森林算法,基于gini指数完成了特征空间寻优工作,实现了对缺陷类型的正确分类。结果表明：通过随机森林算法,多尺度纹理特征的模型误差率和分类准确率明显优于单尺度纹理特征,能较好地对终端典型缺陷进行分类;同时,由于气隙缺陷和划伤缺陷的放电机理存在相似性,二者缺陷处的局部放电特征同样存在相似现象,因此气隙缺陷和划伤缺陷的分类较易出现误差,导致其识别率偏低,还需针对其图像特征参数和识别算法继续开展研究。     

基于改进局部阈值分割的绝缘毯表面微缺陷的无损智能评估方法北大核心CSCD

软质绝缘遮蔽用具的表面缺陷对其绝缘性能和使用寿命有重要影响,为解决人工检测漏检、误检率高的问题,文中提出基于机器视觉的绝缘毯表面微缺陷智能无损检测方法。针对不同环境下图像特点,选取改进Sauvola算法对图像进行局部阈值分割,结合形态学操作提取特征,实现表面微缺陷的识别;通过搭建沿面放电试验平台获取不同微缺陷对其沿面放电的影响,采用皮尔逊相关性系数分析了微缺陷的单个最大缺陷面积比和全部缺陷面积比与绝缘毯表面放电电压之间的相关性。结果表明:文中方法识别准确率95.3%,单次检测时间0.53 s,提升了检测准确性与效率;单个缺陷面积的大小与闪络电压呈负相关且为极强相关,单个缺陷越大沿面闪络电压下降越多,沿面闪络电压平均下降5%~22%,验证了识别结果的有效性,可为绝缘毯的现场外观检测提供依据。     

改进 YOLOv5 的新能源电池集流盘缺陷检测方法

针对新能源汽车电池集流盘中因目标缺陷分布杂乱、尺寸跨度大和特征模糊而易出现误检、漏检的问题,提出一种基于 多尺度可变形卷积的 YOLOv5 方法(YOLOv5s-4Scale-DCN),以用于汽车电池集流盘缺陷检测。 首先,针对不同尺度的缺陷目 标,在 YOLOv5 模型的基础上新增检测层,通过捕获不同尺度缺陷的特征以及融合不同深度的语义特征,提高对不同尺度缺陷 目标的检测率;其次,引入可变形卷积,扩大特征图的感受野,使提取的特征辨析力更强,有效地提高了模型的缺陷识别能力。 实验结果表明,所提的 YOLOv5s-4Scale-DCN 算法可以有效检测新能源汽车电池集流盘缺陷,mAP 达到了 91%,相较原算法提 高了 2. 5%,FPS 达到了 113. 6,重度不良和无盖缺陷这两种类别的缺陷,检测召回率达到了 100%,满足新能源汽车电池集流盘 缺陷实时检测要求。     

电力设备红外图像缺陷检测

机器人在巡检过程中采集到的红外图像很难反映设备目标的纹理信息。人工方法或传统机器学习方法不能精准识别和分类电力设备缺陷,同时其他环境因素容易导致误判。采用CenterNet结合结构化定位的算法模型,通过对现场红外图像数据样本收集、训练及验证算法模型的计算,实现从复杂的红外图像中以较高的准确率将不同变电站设备及其部件识别定位出来。根据设备部件表面温度范围值和识别定位出的变电站设备类型,结合相关温度规范实现电力设备红外图像缺陷检测。实验结果表明,该方法提高了电力设备红外图像缺陷检测的检测精度,为电力设备红外图像智能检测提供了新的思路。     

LBP与低秩分解的网状织物纹理缺陷检测方法

针对网状织物纹理复杂,缺陷检测难度大的问题,提出一种基于局部二值模式(LBP)与低秩稀疏矩阵分解的网状织物纹理缺陷检测方法.首先,采用等价旋转不变的局部二值模式算法提取网状织物纹理特征,获得纹理特征矩阵;其次,根据纹理特征矩阵构建低秩稀疏分解模型;最后,通过最佳阈值分割算法对网状织物低秩稀疏分解产生的显著图进行分割.实验结果表明,与K-奇异值分解(K-SVD)算法相比,该方法的平均准确率达到89.94%,平均召回率达到93.88%,分类总正确率达到92%以上。     

几种特征选择方法在局部放电模式识别中的应用

局部放电模式识别的输入特征量选择是非常关键的步骤。针对油纸绝缘中5种典型局部放电类型,从其相间局部放电（PRPD）谱图中提取出31个统计算子。分别运用K-W检验、类内类间距离比、顺序前进法以及遗传算法等4种方法对这些算子进行了选择优化。分别用这些选取的特征量组合作为输入向量,通过BP神经网络这个统一的模式识别技术来比较研究这4种特征选择方法,结果表明,顺序前进法和遗传算法由于考虑了特征量之间的相关性,所选择的特征量优于另外2种方法。     

Use of Fuzzy Neural Network in Industrial Sorting of Apples

In this paper, an automated system and methodology for nondestructive sorting of apples are presented. Different from the traditional manual grading method, the automated, nondestructive sorting equipment can improve the production efficiency and the grading speed and accuracy. Most popular apple quality detection and grading methods use two-dimensional (2D) machine vision detection based on a single charge-coupled device (CCD) camera detect the external quality. Our system integrates a 3D structured laser into an existing 2D sorting system, which provides the addition third dimension to detect the defects in apples by using the curvature of the structured light strips that are acquired from the optical system of the machine. The curvature of the structured light strip will show the defects in the apple surface. Other features such as color, texture, shape, size and 3D information all play key roles in determining the grade of an apple, which can be determined using a series of feature extraction methods. After feature extraction, a method based on principal component analysis (PCA) for data dimensionality reduction is applied to the system. Furthermore, a comprehensive classification method based on fuzzy neural network (FNN), which is a combination of knowledge-based and model-based method, is used in this paper as the classifier. Preliminary experiments are conducted to verity the feasibility and accuracy of the proposed sorting system.     

改进 YOLOv5 网络的带钢表面缺陷检测方法

带钢表面缺陷检测已成为保证带钢生产质量的重要环节之一。 针对当前带钢缺陷检测算法精度有待提高等问题,提出 了一种基于 YOLOv5 网络改进的算法模型 MT-YOLOv5。 首先在主干网络中引入 Transformer 自注意力机制,使主干网络更聚焦 于图像全局特征信息的提取;其次采用 T-BiFPN 网络结构,将 Transformer 层与 BiFPN 网络结构相结合,进一步增强了图像浅层 特征信息与深层特征信息的融合;然后引入改进后的轻量化网络 RepVGG 替换主干网络中的部分卷积层,增强主干网络的特征 提取能力;最后增加预测层,检测不同尺度的目标。 实验结果表明,MT-YOLOv5 算法在 NEU-DET 数据集上的均值平均精度 (mAP)达到了 82. 4%,较原 YOLOv5s 算法提高了 5. 3%,检测速度为 65. 4 fps,更好地均衡了检测速度与检测精度。     

基于深度学习的PCB缺陷检测研究

印刷电路板(PCB)是保障电子设备产品可靠性的关键因素。因此,对于PCB板的缺陷检测是一项基本和必要的工作。当前PCB缺陷检测方面已经取得了很大进步,但由于PCB板缺陷的多样性、复杂性以及微小性,传统检测方法仍然难以应对。针对PCB板复杂性和微小性问题,文中提出了一种基于深度学习的PCB微小缺陷检测网络,命名为UF-Net。该网络通过多层卷积提取不同维度的特征,通过上采样及跳层连接(Skip Connect)的方式实现多尺度特征融合;利用RPN(Region Proposal Network)网络生成ROI(Region of Interest);通过ROI-Pooling层提取ROI特征,并经过两个全连接层对ROI区域进行分类和回归,从而实现缺陷检测。文中的方法能够对印制电路板导线缺陷和焊点缺陷进行精确的检测和识别,包括导线的短路、开路、缺口、毛刺以及焊点的孔洞、漏焊、焊盘不全等缺陷。通过对PCB缺陷数据集的定量分析,结果表明,该方法具有较好的移植性,在PCB数据集上的精度达到98.6%,满足PCB实际检测需求。