基于卷积神经网络的印刷品颜色缺陷检测

目的 提取样本图像颜色直方图特征对卷积神经网络进行训练,达到快速、高准确率检测图像颜色缺陷的目的.方法 将标准图像从RGB颜色空间转换至HSV颜色空间,通过改变图像H,S,V三分量值获取训练样本和测试样本;在HSV颜色空间中非均匀量化图像的颜色直方图,得到所有训练样本和测试样本的颜色直方图特征;利用样本图像颜色直方图特征训练卷积神经网络,然后对测试样本进行检测,研究检测的速度、准确率,并将该检测方法与逐像素、超像素、BP神经网络和支持向量机方法进行对比.结果 对于图片尺寸为512×512的彩色图像,卷积神经网络检测单幅图片的平均检测时间约为57.66 ms,训练样本图像为50000张时,卷积神经网络方法对10000张测试样本进行检测的准确率为99.77％.结论 卷积神经网络方法在保证高准确率的前提下大幅提高检测精度,对于印刷品色差缺陷在线检测具有良好的应用价值.     

应用卷积神经网络的锂电池极片涂布缺陷分类

目的 针对锂电池极片涂布缺陷种类多,传统方法分类检测精度不高,以及人工依赖性强等问题,提出一种基于卷积神经网络的锂电池极片涂布缺陷自动分类算法。方法 首先对网络结构以及模型参数进行优化,接着在网络中加入跳跃连接结构,将空洞卷积提取到的多尺度特征与高层特征进行融合以获取更多缺陷特征,并采用LeakyReLU(Leaky Rectified Linear Unit)激活函数保留图像中的负值特征信息,最后通过构建的数据集训练模型,实现锂电池极片涂布缺陷的准确分类。结果 实验结果表明,当前方法识别准确率能够达到99.34%,平均检测时间为51ms。结论 改进后的方法能够准确分类出锂电池极片18种涂布缺陷,满足工业生产中实时分类检测的要求。     

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GRNN-PNN神经网络的印铁缺陷分类方法

目的针对在印铁过程中缺陷检测系统存在不同缺陷类型检测精度不高,对于产品整体质量无法实现智能判断的问题,基于GRNN-PNN神经网络,提出一种适用于印铁在线检测的分类算法。方法对平面印刷铁片进行小波变换提取低频信息,在低频信息中进行缺陷定位并对缺陷区域进行标记和分割。通过缺陷面积、周长等评价指数和缺陷形状构建GRNN神经网络,对缺陷进行分类。通过构建PNN神经网络智能化判别整体产品是否属于合格产品。结果 GRNN-PNN平均耗时0.69s,达到了厂方对于缺陷在线检测的响应时间要求。GRNN-PNN多分类的准确率为86%,能够对印铁过程中产生的主要缺陷进行分类。二分类的灵敏度为96%,可以准确地判断产品整体的合格性。在5%的椒盐噪声干扰下,准确率为63%,具有良好的鲁棒性。结论该设计能够对印铁缺陷进行精确的分类和智能的判断,GRNN-PNN神经网络可以在印铁过程中进一步提高检测精度,GRNN-PNN神经网络可帮助质检员及时判断生产质量。     

卷积神经网络在印刷品缺陷检测的应用

目的 为了改善传统机器检测印刷产品缺陷存在误费率高的不足。方法 提出以卷积神经网络为控制核心的印刷品缺陷检测系统。设计可在实际检测中应用的卷积神经网络,设计在线印刷质量检测系统的硬件结构。结果 对结构相同而训练次数、学习率不同的卷积神经网络进行了缺陷检测的性能对比,验证了该卷积神经网络在学习率小于0.01时,可以获得较好的识别效果;在学习率大于0.05时,网络不容易收敛。网络训练次数越多,精度越高,相应的训练时间也较长。在满足快速性和精确度的条件下,确定了适应某印刷品的缺陷检验网络训练次数为50,学习率为0.005,此时的识别率为90%。结论 经过实验证明,该检测系统具有良好的缺陷识别能力,缺陷类型的分类准确率较高。该系统具有一定的实用价值。     

PSO-Gabor-CNN算法在印刷品套印缺陷的检测

目的二维Gabor滤波器含有多个参数,在印刷品套印缺陷检测中,二维Gabor滤波器使用不同参数增强图像特征的效果差别较大,为了获得二维Gabor在某印刷品套印缺陷检测下的优化参数。方法在印刷品套印缺陷检测中,提出一种PSO-Gabor-CNN算法,采用Sobel算子对印刷品图像进行边缘检测,以粒子群算法(PSO)对二维Gabor滤波器的中心最大频率kmax、带宽σ、模板窗口window进行参数寻优,处理后的图像与模板图像采用加权欧式距离进行评价。然后用优化后的Gabor滤波器对图像进行滤波,最后采用卷积神经网络(CNN)对印刷品套印缺陷进行检测和分类。结果通过粒子群算法,确定了二维Gabor中心最大频率kmax为6.0476、带宽σ为0.1444、模板窗口window为27×27取得最佳效果,此时加权欧式距离为1.1927×10-33。卷积神经网络经过70次训练的均方误差为0.0035,测试样本正确率为96.93%。该方法与无数据预处理的BP神经网络(BPNN)、Sobel预处理的BP神经网络(Sobel-BPNN)、无数据预处理的卷积神经网络(CNN)、Sobel预处理的卷积神经网络(Sobel-CNN)对比,表现出了较好的识别效果。结论该方法可以获取二维Gabor滤波器的较优参数,从而获得较好的滤波效果,将其应用于套印缺陷检测,具有一定的应用价值。     

基于脉冲神经网络的钢材表面缺陷识别研究

目的 针对现有钢材缺陷识别算法特征图利用不充分、识别准确率低、参数量大等问题,基于脉冲神经网络,提出一种用于钢材缺陷识别的稠密卷积脉冲神经网络(DCSNN)模型,减少系统消耗和内存占用。方法 首先,采用卷积编码,对输入图片进行特征提取和编码。其次,采用稠密连接算法搭建稠密卷积脉冲神经网络,实现特征重复利用,抑制梯度消失,并通过替代梯度下降算法进行网络训练。最后,在带钢数据集上进行测试,实现带钢缺陷识别。结果 实验结果显示,DCSNN在测试集上的准确率为98.61%,参数量为0.5万,结论 在钢材表面缺陷识别问题上表现出良好效果。     

基于BP神经网络的枪弹外观缺陷识别与分类

为实现枪弹外观缺陷自动检测,提出一种基于BP神经网络的枪弹外观缺陷自动识别与分类方法.首先针对枪弹外观缺陷图像特点,从形状、颜色、纹理提取类别差异明显的缺陷特征向量,作为神经网络的输入,以提高分类效果;然后通过经验和实验验证确定神经网络结构及参数,并分析传统BP算法在枪弹外观缺陷分类应用中的不足,通过优化BP算法以提高网络分类性能.实验表明:优化BP算法能够有效分类枪弹外观缺陷测试样本,识别率达到92.1％,与传统BP算法相比,提高了收敛速度,并表现出较好的准确性和鲁棒性,能够更好满足枪弹外观缺陷自动检测要求.     

基于卷积神经网络的PCB缺陷图像识别

PCB缺陷图像检测是确保PCB生产质量的重要环节,但传统的人工PCB缺陷检测具有劳动强度大、工作效率低等不足.为此,本文研究了一种基于卷积神经网络的PCB缺陷图像识别方法,建立了包括三种PCB缺陷和无缺陷图像的数据集,基于ResNet101网络模型搭建了PCB缺陷图像识别分类模型.引入迁移学习的方法,基于在大数据集上充分训练好的模型结合PCB图像数据集,并训练该PCB缺陷图像识别模型.实验结果表明,ResNet101模型对无缺陷PCB图像和三类常见PCB缺陷图像的平均识别准确率达到91.98％,验证了该模型对PCB图像识别分类的有效性.     

基于YOLOv3-spp的汽车轮毂表面缺陷检测算法研究与分析

针对传统人工检测方法效率低且准确率不高等问题，提出一种基于YOLOv3-spp网络的自动缺陷检测方法。首先通过图像切片提取缺陷区域，然后将提取的缺陷图片经过数据增强后组成数据集并以此训练YOLOv3-spp网络，接着对比分析了不同深度学习网络及数据集筛选方法对轮毂表面缺陷的检测效果。实验结果表明：在工业现场采集的数据集上，训练好的YOLOv3-spp神经网络可以准确地定位，并识别出点状、线性、油泥油漆、针孔4类缺陷，其平均准确率分别为84.5%、93.4%、95.4%和89.5%,检测速度达到35 ms/幅，满足检测的实时性要求，且检测准确率优于Faster R-CNN和SSD两种常用神经网络。     

基于可变形密集卷积神经网络的布匹瑕疵检测

针对传统布匹瑕疵检测方法无法适用于尺度变化大、面积占比小的瑕疵特征,提出一种基于可变形密集卷积神经网络模型。为了关注到图像中距离较远的特征信息,并避免捕获纹理信息,采用可变形卷积来增强特征的语义表达能力。通过在卷积层中设置卷积像素相对于中心像素各自的x,y方向偏移量,并利用反向传播训练偏移量以增加感受野的变形适应性。同时,采用密集连接的方式以保持模型不遗漏边缘瑕疵信息。最后,根据瑕疵类别预测和位置边框回归实现瑕疵的分类和定位检测。实验结果表明:该模型的平均检测精度和单类目标检测精度标准差分别为93.53%,2.5139,相比于其他方法更具有竞争力。     

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。     

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。