轴承钢球质量在线检测与分选系统的研究

为在线检测钢球表面裂纹,麻点等质量缺陷,并进行分选,采用涡流探伤的原理开发了一种轴承钢球质量在线检测与分选系统.详细介绍了系统的方案、电路和机械结构设计.利用相敏检波(PSD)技术拾取裂纹信号,并用X-Y正交化分解技术对缺陷进行定量分析.根据数理统计分析的原理找出缺陷的识别规律,以此确定正确的分类算法,并用ARM处理器保证分类算法的实时性.实验证明,该系统能够准确地对钢球的表面缺陷进行实时的检测与分选.     

周期纹理背景中的表面缺陷检测技术

基于机器视觉原理的自动光学表面缺陷检测技术是当今工业生产中在线检测表面缺陷的一种新的技术方法,是精密制造与组装工业过程中保证零部件表面质量的重要检测手段.以液晶面板TFT阵列表面缺陷自动光学检测为例,介绍了表面缺陷自动光学检测的基本组成原理,阐述了周期纹理背景表面上的表面缺陷检测方法、缺陷信息处理的基本过程与实用算法.针对表面缺陷检测图像处理技术难题,详细论述了表面缺陷扫描图像中的周期纹理背景傅里叶变换频域滤波方法、缺陷分割双阈值统计控制法,并用实验结果给出了例证.     

基于DSP的薄膜疵点在线检测系统的设计与实现

提出了一种基于DSP的薄膜疵点在线检测方法,该方法用多个线阵CCD摄像机同步采集薄膜表面的图像,通过DSP系统对图像进行处理.以得到薄膜表面质量情况.对其中的高速CCD信号数字转换电路、外同步触发信号的产生、CCD控制以及与DSP间的数据通讯接口、DSP处理的软件设计等内容进行了讨论.该系统速度快,精度高,实时性好,可有效地检测到薄膜表面的各种缺陷.     

基于机器视觉的机械零件表面缺陷在线检测方法研究

利用传统机器视觉来检测零部件的表面缺陷已经无法满足零部件标准化检测,尤其是零部件光滑表面形成的强烈反射效应,造成零部件的部分表面亮度饱和,检测的图像信息缺失,精度严重下降.针对检测精度下降的问题,提出一种基于差影模型重构的方法,引入缺陷区域边界近似系数和细节系数来提升整个零部件缺陷检测精度.为了验证所设计的表面缺陷检测方法的准确性与可靠性,设计了在线检测试验平台,结果表明该方法能够高效地提高零部件表面缺陷检测的精度.     

基于深度学习的螺纹钢表面缺陷检测

螺纹钢是土建工程中必不可少的建筑材料, 在轧制过程中因受轧辊磨损、钢坯质量等因素影响, 导致表面缺陷, 如不能及时发现就会生产出大量废品, 严重影响企业经济效益. 本文提出一种基于深度学习的螺纹钢缺陷检测方法, 通过生产现场工业相机采集螺纹钢图像, 对表面缺陷进行分类标记, 建立样本数据集, 利用深度卷积对抗生成网络DCGAN对数据集增强. 采用Faster RCNN构建螺纹钢缺陷检测模型, 利用迁移学习方法实现小样本螺纹钢表面缺陷检测, 通过对损失函数、优化方法、学习率、滑动平均参数的设置来评估优化螺纹钢缺陷检测模型. 实验表明所设计的方法具有较好的稳定性和实用性, 能有效地解决人工检测过程中效率低、误检率高等问题.     

支持向量机超声缺陷识别法的研究

提出了一种基于支持向量机超声波在线检测缺陷识别方法.首先采用小波包分析来提取超声信号的特征信息,产生训练和测试样本;然后利用支持向量机分类方法对缺陷进行识别.实验结果表明,支持向量机能够快速、有效地识别缺陷,比人工神经网络具有更好的分类性能和推广能力,是一种有效的超声缺陷识别方法.     

基于图像的缸体零件表面缺陷检测方法

针对人工抽样目测方法和超声波、电磁波等测量技术用于新型检测方法存在各式各样的缺点,为了实现在线高速检测汽车制动缸内壁是否存在缺陷,基于数字图像处理技术,提出了一种能很好满足要求的图像处理和缺陷检测方法.通过CCD相机采集零件需要检测表面的图像;用Matlab软件对图像进行必要的处理、对边缘进行提取;通过腐蚀和膨胀运算优化边缘,再采用连通域标记,通过计算缺陷区域处面积和周长两个物理量来判断缺陷类型和特征.结果表明:此方法能检测出缸体内表面缺陷,基本上能满足缺陷快速检测要求.     

液晶显示屏背光源模组表面缺陷自动光学检测系统设计

详细介绍了自动光学检测技术在液晶显示屏背光源模组表面缺陷在线检测中的应用,分析并比较了背光源模组缺陷自动光学在线检测中的成像技术、检测系统的组成、结构原理与设计方法,阐述了检测结果为不良品的返修方法。给出了背光源模组表面缺陷常见缺陷的种类和缺陷分类判断准则,把种类繁多的背光源模组表面缺陷分为画面缺陷、外观缺陷与异常缺陷;根据背光源模组缺陷形成的原因、种类,设计了背光源模组缺陷点灯检测和非点灯检测两种自动光学检测方案,所设计的自动光学检测方案对背光源模组组装产业开发缺陷检测系统具有有益的参考价值。     

基于神经网络的冷轧带钢表面缺陷检测

带钢表面缺陷是影响带钢质量的重要因素,对带钢进行表面缺陷检测对提高带钢质量具有重要意义。传统人工检测的方法往往不能得到令人满意的检测结果。为此,提出了采用基于前馈神经网络(FFN)的方法对在线带钢的表面缺陷进行检测,检测结果令人满意,表明了该方法的有效性。     

钢板表面缺陷检测光学系统的设计

为满足钢板表面缺陷在线检测系统宽幅面、高速、高分辨率的检测要求,优化设计了钢板表面缺陷视觉检测系统的光学部分.采用了一种新型LED线光源获得高强度均匀照明,多线阵CCD拼接成像完成幅面分割.明、暗域相结合的成像模式确保了大部分缺陷的有效检出.综合考虑光源、镜头与线阵CCD的影响,计算并优化选取了光学镜头的焦距、f数和视场角等参数以满足检测需要,整个光学系统设计满足在线检测需要并在样机中得以应用.     

基于小样本的神经网络参数优化选择方法

提出了一种基于小样本的神经网络参数优化选择方法,并应用于冷轧带钢表面缺陷在线检测系统中。该方法利用小样本对神经网络的每一种可能的组合参数进行模拟训练及测试,通过直方图求取最优化的一组神经网络参数。实验表明,利用该方法选择出来的神经网络参数,可以实现对冷轧带钢表面缺陷的最优识别。     

基于复杂网络特性的带钢表面缺陷识别

针对带钢表面缺陷识别问题,提出一种基于动态演化复杂网络特性的特征描述方法, 这些特征同时具有位移、旋转不变性、大小不变性、较强的抗干扰能力和鲁棒性,为 缺陷识别提供良好的分类特征;为了提高分类器的效率,应用主成分分析法 (Principal component analysis, PCA) 对复杂网络特 征向量进行特征降维处理;采用最优有向无环图支持向量机 (Directed acyclic graph support vector machine, DAG-SVM)算法进行缺陷分类.结果表明该方法识别率高而且识别速度快.     

遗传算法在缺陷特征选择中的研究

由于冷轧带钢表面缺陷的类型多种多样,在所提取的特征集中,需要寻找出一组较优的特征集,使之可以更有效地表达缺陷的本质特征,从而提高缺陷识别的准确率。针对该问题,研究了遗传算法在缺陷特征选择中的应用,并在充分研究信息熵理论的基础上,以平均净分类信息为遗传算法的适应度函数,以弥补互信息熵作为适应度函数所导致的不足。实验表明,利用遗传算法得到的特征集,对现场的冷轧带钢表面缺陷进行分类时,能得到更高的分类准确率。     

基于独立成分分析的表面缺陷特征提取与识别方法

为了提取表面缺陷图像特征,常对图像进行线性变换,但通常的wavelet变换、Gabor变换及其基函数都是预先定义和不变的,不能适应于缺陷图像的特点.为此提出基于独立成分分析(ICA)和拓扑独立成分分析(TICA)的特征提取方法,并将其应用于冷轧带钢表面缺陷自动识别.首先利用ICA和TICA从缺陷集中自适应地估计出基函数和滤波器,这些基适应于缺陷图像的特点;然后用与基对应的滤波器对缺陷图像滤波,提取滤波响应作为特征向量;最后用支持向量机对样本进行分类识别.该方法建立在对缺陷集无监督学习的基础上,能够自适应地提取缺陷图像的显著特征,且计算简单,可并行处理.实验结果表明,文中方法对形状类缺陷、纹理类缺陷及其他缺陷的识别率都非常高,总体识别率可达95.52％.     

连轧生产线辊道速度的设定方法

对连轧生产线上辊道与棒材间的相互作用力进行了分析,指出棒材表面划伤和辊道磨损随着二者相对滑动速度的增大而加剧,进而提出了一种辊道速度的设定方法,使辊道能适应棒材轧制速度的变化,减轻或消除相对滑动。工程实践表明,这种方法简单可行,有助于提高棒材表面质量,延长辊道寿命。     

一种棒材计数装置的研究

介绍了棒材在线计数的意义和这一技术的进展，详细分析了影响摄像技术采集棒材特征的各种因素和干扰，研制成功了棒材在线计数装置并获得国家专利。装置在线采集链条上每组棒材端面的图像，经计算机进行图像识别，实现了各种规格棒材在线的精确计数。装置的创新点：数据采集箱用于隔离外界干扰；快速准确的图像识别算法；喷液装置使端面成像易于被识别；采集的数据参与过程管理。     

一种新的冷轧带钢表面缺陷图像模式识别方法

针对传统的方法在冷轧带钢表面缺陷图像模式识别中存在的问题,提出了基于小波变换和遗传算法的模式识别方法。结合国内实例,对四种典型冷轧带钢表面缺陷图像进行了实验研究,实验结果表明,该识别方法能够对冷轧带钢表面缺陷图像进行有效识别。另外,还对识别率与训练样本数量的关系进行了研究。     

3维灰度矩阵的钢板缺陷图像识别

目的 钢板表面缺陷的种类多样、灰度结构复杂,现有的图像分割技术运用在灰度结构复杂、目标边缘模糊的钢板缺陷图像中仍然存在识别效率低、过分割现象明显等问题,本文结合图像灰度矩阵的空间特征,提出一种基于3维灰度矩阵的钢板表面缺陷识别算法。方法 首先根据灰度图像构建3维灰度矩阵;然后引入半类间方差改进克里金插值算法,绘制3维灰度矩阵的等值线图;接着构建等值线的拓扑关系树;最后根据自定义的全局搜索策略和局部搜索策略相结合,寻找局部凹凸区域,从而定位缺陷区域,达到分割钢板表面缺陷的目的。结果 本文方法能有效地识别钢板表面缺陷区域,对光照变化不敏感,在保证低误差率的前提下,提高了有效分割率。通过对氧化、辊印、结疤和气泡四类钢板缺陷图像进行测试,从分割效果和评价指标两方面对比其他钢板缺陷分割算法。与Fisher阈值分割法、经典的活动轮廓模型CV模型、基于半局部区域描述符的活动轮廓模型HTB模型和改进背景差分法进行分割效果对比,本文方法对四类钢板表面缺陷的识别更精确,分割结果更细致,一定程度上抑制了过分割现象。与大津法Ostu、1维最大模糊熵法1DMFE、最大模糊超熵法MFEE进行评价指标对比,得出对于分割孔洞和辊印图像,本文方法在误分割率均保持在2.0%以下的前提下,将有效信息率分别提升了1.6%和2.1%;对于夹杂图像,本文方法在3.4%的误分割率的前提下,具有85%以上的有效信息率。结论 提出的基于3维灰度矩阵的钢板缺陷图像识别算法可以有效地识别多种类型的钢板缺陷,即使在缺陷结构复杂的图像识别中仍具有较高的识别率。     

基于频域分析的毛巾织物疵点检测

本文针对毛巾织物的疵点检测进行研究。通过研究分析发现,大部分毛巾织物的疵点主要集中在毛巾表面的毛圈特征上。本文根据疵点和毛圈轮廓特征的频谱特性进行疵点检测,提出了基于频域分析的毛巾织物图像疵点检测算法。以毛巾织物图像频谱的能量统计特性作为疵点检测的特征向量,采用了支持向量机(SVM)作为疵点分类识别算法。matlab仿真实验表明,可以达到平均95%的毛巾织物疵点识别率,说明该频域能量特征提取方法在对纯色毛巾织物的疵点检测上简单有效。     

结合随机子空间和级联残差网络的缺陷检测

针对基于深度学习的表面缺陷检测方法中的小样本问题,提出一种结合随机子空间和级联残差网络的缺陷检测方法（RSM-MTResNet）。该方法将缺陷数据分解为多个随机子空间,在每个子空间上构建残差网络,通过级联多个残差网络得到融合特征。在NEU表面缺陷数据集上进行实验,运用了混淆矩阵和[F1]值来评估模型性能。结果表明该方法的分类准确率为97.66%,比传统CNN方法的准确率高了14.5%,[F1]值均提高10.0%以上,这证明了该方法不仅能在一定程度解决小样本问题,同时能获得较高的识别性能。