新型脉冲漏磁检测法的表面缺陷检测特征分析

针对脉冲漏磁检测技术对不同方向的漏磁分量进行分析时存在一定局限性的问题,基于脉冲漏磁(PMFL)检测中的U型磁轭和脉冲涡流(PEC)检测中的矩形空心激励线圈,提出了脉冲聚磁(PMC)检测方法.通过仿真和实验分析了铁磁性试件在脉冲漏磁和脉冲聚磁两种检测模式下,缺陷部位的响应信号X,Y和Z3个分量的检测效果.结果表明:脉冲聚磁检测方法在进行铁磁性材料构件的缺陷检测时,激励探头对被测试件的3个方向的分量激励效果更明显,同时对于不同深度的表面缺陷,脉冲漏磁响应信号的三维分量具有更高的检测灵敏度.     

Defect-Detection Model for Underground Parking Lots Using Image Object-Detection Method

The demand for defect diagnoses is gradually gaining ground owing to the growing necessity to implement safe inspection methods to ensure the durability and quality of structures. However, conventional manpower-based inspection methods not only incur considerable cost and time, but also cause frequent disputes regarding defects owing to poor inspections. Therefore, the demand for an effective and efficient defect-diagnosis model for concrete structures is imminent, as the reduction in maintenance costs is significant from a long-term perspective. Thus, this paper proposes a deep learning-based image object-identification method to detect the defects of paint peeling, leakage peeling, and leakage traces that mostly occur in underground parking lots made of concrete structures. The deep learning-based object-detection method can replace conventional visual inspection methods. A faster region-based convolutional neural network (R-CNN) model was used with a training dataset of 6,281 images that utilized a region proposal network to objectively localize the regions of interest and detect the surface defects. The defects were classified according to their type, and the learning of each exclusive model was ensured through test sets obtained from real underground parking lots. As a result, average precision scores of 37.76%, 36.42%, and 61.29% were obtained for paint peeling, leakage peeling, and leakage trace defects, respectively. Thus, this study verified the performance of the faster RCNN-based defect-detection algorithm along with its applicability to underground parking lots.     

基于T-VGG的太阳电池片缺陷检测

针对太阳电池片EL图像,提出一种融合注意力机制和Ghost卷积层并引入批标准化的T-VGG轻量级卷积神经网络模型。首先使用Ghost卷积层替换常规卷积层,其次引入注意力机制和批规范化,进而实现对电池片缺陷的高精高速检测。实验结果表明,该卷积神经网络模型对缺陷的检测准确率为99.15%,对缺陷类型的检测准确率为96.28%,检测时间为0.032 s/张,在保证高精高效性的同时兼具通用性。     

高斯滤波算法在缺陷视觉检测中的应用研究

机器视觉中的缺陷检测是个难点。图像的滤波处理通常是为了消除噪声干扰,处理的原则是保留大部分有效信号,抑制少数的异常信号。在机器视觉的缺陷检测时,需要提取图像中的每一个异常信号,忽略大部分正常图像信号,与图像的滤波处理正好相反。在大量实践基础上,本文总结出了一套基于高斯滤波算法的缺陷检测方法,特别适合细微缺陷的检测。该方法已经投入应用,在应用过程中取得了良好的效果。     

基于改进 Mask R-CNN 的光学元件划痕缺陷检测研究

光学元件缺陷会直接影响整个光学系统的性能,在光学元件缺陷检测中,划痕缺陷无疑是检测的难点,划痕缺陷存在着 尺寸小,长宽比却比较大,易受杂质影响的问题,本文将深度学习算法应用到光学元件缺陷检测,并根据划痕缺陷的特点,对 Mask R-CNN 网络模型进行了改进,使算法对划痕缺陷也有了更好的检测效果。 首先,将原有的 ResNet 更换为本文提出的 CSPRepResNet,并添加 ESE 注意力机制,提高了特征提取的能力并减少了计算量;其次,利用 K-means 算法重新聚类 anchor boxes 的长宽比例;再次,将目标检测的损失函数由 Cross Entropy 改为梯度均衡化的 Focal Loss,解决了正负样本不平衡问题的 同时,更有利于对困难样本的检测,还可以消除离群点的影响。 总体来说,检测的 mAP@ . 5 由原来的 52. 1%提高到 57. 3%,提 高了 5. 2%,且推理速度几乎不变,可见,改进后 Mask R-CNN 对光学元件划痕缺陷有更好的检测效果。     

基于深度学习的航天密封圈表面缺陷检测

针对航天密封圈表面缺陷人工检测效率低、传统图像处理检测算法通用性差的问题,提出了两种基于深度学习的密封圈表面缺陷检测算法。首先,针对缺陷大部分为小目标的特点,选取对小目标较敏感的RetinaNet网络作为检测算法的基本架构,通过在RetinaNet网络中引入轻量级网络MoGaA构建出MoGaA-RetinaNet算法。然后,为了提高检测精度,在MoGaA-RetinaNet基础上,用分解卷积模块代替MoGaA骨干网络中的深度卷积构建了newMoGaA骨干网络,设计出newMoGaA-RetinaNet算法。最后,在测试集上的实验结果表明,MoGaA-RetinaNet算法比RetinaNet算法检测速度更快,但检测准确率略低;而newMoGaA-RetinaNet算法实现了检测精度与检测速度的良好平衡,比RetinaNet算法准确率提升4.5%,达到92%,检测速度提升55%,达到31 frame/s,网络参数量减少50%。所设计的newMoGaA-RetinaNet算法可以实现密封圈表面缺陷的快速准确检测。     

基于深度学习的织物疵点检测研究进展

为提高疵点检测的准确性和通用性,实现使用简洁而有效的形式对织物图像的特点和疵点的本质特征进行综合表达,首先,介绍了深度学习技术,对引入了深度学习的疵点检测方法进行综述,同时对深度学习与疵点检测的内在关系进行阐述;然后,分析总结了深度学习的概念及代表性的计算模型,并对引入深度学习的疵点检测方法进行归纳、总结和分类;最后,对典型的方法进行了分析,讨论了各种方法的优缺点,并对未来的研究趋势进行了展望。指出:随着深度学习的发展,探索更加通用的检测方法是推进深度学习在织物疵点检测领域应用的努力方向。     

基于深度语义融合的代码缺陷静态检测方法

随着计算机软件规模和复杂度的不断增加，软件中存在的代码缺陷对公共安全形成了严重威胁。针对静态分析工具拓展性差，以及现有方法检测粒度粗、检测效果不够理想的问题，提出了一种基于程序切片和语义特征融合的代码缺陷静态检测方法。首先，对源代码中的关键点进行数据流和控制流分析，并采用基于过程间有限分布子集（IFDS）的切片方法，以获取由多行与代码缺陷相关的语句组成的代码片段；然后，通过词嵌入法获取代码片段语义相关的向量表示，从而在保证准确率的同时选择合适的代码片段长度；最后，利用文本卷积神经网络（TextCNN）和双向门控循环单元（BiGRU）分别提取代码片段中的局部关键特征和上下文序列特征，并将所提方法用于检测切片级别的代码缺陷。实验结果表明，所提方法能够有效检测不同类型的代码缺陷，并且检测效果显著优于静态分析工具Flawfinder；在细粒度的前提下，IFDS切片方法能进一步提高F₁值和准确率，分别达到了89.64%和92.08%；与现有的基于程序切片的方法相比，在关键点为应用程序编程接口（API）或变量时，所提方法的F₁值分别达到89.69%、89.74%，准确率分别达到92.15%、91.98%。可见在不显著增加时间复杂度的同时，所提方法具备更好的综合检测性能。     

基于Siamese-YOLOv4的印刷品缺陷目标检测

在印刷工业生产中，针对直接使用YOLOv4网络进行印刷缺陷目标检测精度低、所需训练样本数量大的问题，提出了一种基于Siamese-YOLOv4的印刷品缺陷目标检测方法。首先，使用了一种图像分割和随机参数变化的策略对数据集进行增强；然后，在主干网络中增加了孪生相似性检测网络，并在相似性检测网络中引入Mish激活函数来计算出图像块的相似度，在此之后将相似度低于阈值的区域作为缺陷候选区域；最后，训练候选区域图像，从而实现缺陷目标的精确定位与分类。实验结果表明：Siamese-YOLOv4模型的检测精度优于主流的目标检测模型，在印刷缺陷数据集上，Siamese-YOLOv4网络对卫星墨滴缺陷的检测准确率为98.6%，对脏点缺陷的检测准确率为97.8%，对漏印缺陷的检测准确率为93.9%；检测的平均精度均值（mAP）达到了96.8%，相较于YOLOv4算法、Faster R-CNN算法、SSD算法、EfficientDet算法分别提高了6.5个百分点、6.4个百分点、14.9个百分点、10.6个百分点。所提Siamese-YOLOv4模型一方面在印刷品缺陷检测中有较低的误检率和漏检率，另一方面通过相似性检测网络计算图像块的相似度从而提高了检测的精度，表明所提缺陷检测方法可应用于印刷质检以提高印刷企业的缺陷检测水平。     

基于自编码和知识蒸馏的表面缺陷检测方法

针对传统的表面缺陷检测方法只能对具有高对比度或低噪声的明显缺陷轮廓进行检测的问题，提出了一种基于自编码和知识蒸馏的表面缺陷检测方法来准确定位和分类从实际工业环境捕获的输入图像中出现的缺陷。首先，设计了一种级联自动编码器（CAE）架构用于分割和定位缺陷，其目的是将输入的原始图像转换为基于CAE的预测蒙版；其次，利用阈值模块对预测结果进行二值化以获得准确的缺陷轮廓；然后，把缺陷区域检测器提取并裁剪出来的缺陷区域视为下一个模块的输入；最后，将CAE分割结果的缺陷区域通过知识蒸馏进行类别分类。实验结果表明，与其他几种表面缺陷检测方法相比，所提出的方法综合性能最好，其缺陷检测平均准确率为97.00%。该方法能够有效地对较小的、边缘不清晰的缺陷进行分割，满足对物品表面缺陷实时分割检测的工程要求。