基于机器视觉的多孔材料缺陷检测

针对多孔材料在生产工艺中易出现阻塞和缺角等缺陷,本文设计了一种基于机器视觉的多孔材料表面缺陷检测方法,通过对目标区域的有效分割、模糊度检测、形态学处理和分析等技术手段,实现了该类材料的表面缺陷的快速定位和特征分析.经实验检测,本文算法的准确性和检测效率可以满足工业生产实时检测需求.     

基于双线性CNN与DenseBlock的导光板标记线缺陷检测

导光板标记线检测是导光板制造品控中的一个重要步骤, 但在使用传统图像算法进行检测的过程中, 有大量的气泡、严重污染和无标记线的情况存在. 因有大量气泡, 严重污染和无标记线的情况造成人工特征难以设计, 因此, 使用基于卷积网络的方法来代替人工特征设计进行缺陷检测. DenseNet 卷积神经网络较其他分类神经网络具有参数较少, 梯度收敛稳定等特点. 因DenseNet 卷积神经网络中使用特征融合的思想, 保证了图片分类准确率. 通过迁移学习的方法, 将训练得到的DenseNet 网络权重迁移到Bilinear-CNN算法进行训练, 提升卷积神经网络局部注意力, 提高图像分类准确率. 通过实现结果表明, 所提方法具有可行性, 相比于V2-ResNet-101网络结构, 准确率提升至95.53%, 参数减少了97.2%, 平均单张图像检测时间减少25%.     

基于纹理的高质量的曲面流场可视化

提出一种流线增强的纹理算法,可实时生成高质量的纹理表征曲面矢量场.通过对卷积纹理在垂直矢量方向上进行一维高通滤波,增加流线间的强度对比,提高了图像质量,使得曲面矢量场易于观察.该算法基于图像空间,并且具有很好的时间空间相关性,利用当前图形卡的可编程性和并行运算能力,可以在微机上达到实时绘制的性能.     

三维矢量场的流动拓扑结构抽取

提出一种基于关键点分类的三维矢量场流动拓扑结构抽取算法,可应用于三维曲线网格、结构化网格和分块网格中.在许多计算流体力学计算中,存在非滑移边界,这种边界上流体的速度为0.通过分析流场边界的表面摩擦场的拓扑,展示绕壁面流体的流动结构;使用图标定位关键点,可交互式地标记和显示涡核区域,并通过选择暗示螺旋流动的图标,沿着该关键点的实特征值对应的特征矢量方向积分流线来完成.测试结果清晰地展示了关键特征区域的流体流动特征.     

微型齿轮的机器视觉检测系统设计

微型齿轮在精密仪器设备中经常使用,其齿长的误差大小与整个仪器的精密准确性密切相关。传统微型齿轮检测以人工检测为主,人工检测存在检测精度低、量化不准确的问题。为了能够精确的计算齿长误差,并给出量化结果,文章提出一种基于机器视觉的微型齿轮齿长误差检测系统,先通过小波变换去除图像噪声,然后使用Radon变换算法矫正零件图像,再使用一种基于局部区域特征的三次曲线模型提取感兴趣区域亚像素边缘信息,并通过投影映射精确计算边界位置,最后计算齿轮中心点的动态极差并以此数据作为判断齿长是否合格的标准。实验结果表明,该方法精度可达到2 μm,准确率可达到99%,单帧检测时间平均18 ms,一个零件大约5 s可以给出可靠的结论,该方法效率高,准确性好,能够满足工业检测的要求。     

基于机器视觉的轴承防尘盖检测算法

为实现工业现场对轴承防尘盖的自动检测,对机器视觉检测的关键技术进行了研究,提出一套基于机器视觉对轴承防尘盖的检测,针对轴承图像的特点,采用了一种最小二乘法进行圆拟合圆检测算法,完成了轴承防尘盖区域的提取,对连通区域的特征进行了分析,再进行量化处理和判断.实验结果表明,该方法实时性好,准确率高,可以满足工业检测需求.     

基于机器视觉的微型摆轮质量检测系统

摆轮在精密仪器设备中经常使用,其平整度与整个仪器的精密准确性密切相关.传统摆轮检测以人工为主,本文提出一种基于机器视觉的摆轮平整度检测系统,先校正摆轮图像,然后提取其亚像素边缘信息,并通过投影映射精确计算边界信息.系统支持连续采样计算,并以摆轮边缘的动态极差作为零件的合格标准.实验结果表明,该方法实时性好,准确率高,可以满足工业检测需求.     

基于CNN跨层融合结构的边缘检测算法

传统边缘检测算法难以处理复杂的图像, 而现有基于深度的边缘检测模型, 其检测结果往往存在边缘定位错误和信息丢失等现象. 针对此类问题, 提出一种基于RCF的高精度的边缘检测算法RCF-CLF. 首先, 引入HDC结构设计用于避免因叠加相同膨胀卷积而引起的网格效应; 其次, 设计了一种特征增强结构, 旨在融合多尺度信息、扩大感受野; 然后, 设计了跨层融合结构, 将高层信息和低层信息融合, 用于提取准确的边缘信息; 最后, 引入注意力机制CBAM, 通过聚焦物体边缘区域, 抑制非边缘区域, 从而提高网络对边缘信息的提取能力. 本文在BSDS500和BIPED数据集上评估所提出的方法, 与RCF算法相比, 在BIPED数据集上, 主要指标ODS、OIS和AP分别达到了0.893、0.901和0.945, 提高了近5个百分点, 在BSDS500数据集上, 主要指标也有所提升. 此外, 与其他同类算法相比, 本文算法也具有一定的优势, 可以实现更加准确的边缘定位.     

面向模糊医学图像边缘检测的卷积网络

考虑到传统边缘检测算法难以处理模糊的医学图像, 提出一种基于深度学习的边缘检测网络ECENet. 首先, 本文网络基于CHRNet模型, 对其最后两层进行剪枝, 使模型更加高效和轻量化. 其次, 在网络的特征提取阶段加入注意力模块SKSAM, 优化图像特征的自适应提取, 并降低噪声的影响. 最后, 在多尺度的网络输出上采用上下文感知融合块进行连接, 帮助模型更好地理解图像的结构和语义信息. 此外, 综合考虑像素级别的准确性和边界的平滑性, 优化了损失函数, 为模型训练提供更好的梯度信号. 实验结果表明: 本文算法在最佳数据集规模(ODS)和最佳图像比例(OIS)指标分别提高到0.816和0.823; 相关边缘指标参数显著提高, PSNR提高了16.8%, SSIM提高了37.6%.     

基于Efficient-YOLO的轻量化轴承缺陷检测

针对现有深度模型在工业轴承外观缺陷检测领域, 存在模型参数量大、特征融合不充分以及对小目标检测精度低等问题, 提出了一种轻量化自适应特征融合检测网络(Efficient-YOLO). 首先, 该网络采用嵌入CBAM注意力机制的EfficientNetV2结构进行基本特征提取, 便于确保模型精度同时显著优化模型参数量; 其次, 设计了一种自适应特征融合网络(CBAM-BiFPN), 用来增加网络对有效特征信息的提取; 接着, 在下游特征融合网络引入Swin?Transformer机制, 同时配合上游网络引入的Ghost卷积, 大幅度提高模型对轴承外观缺陷的全局感知能力; 最后, 在推理阶段运用改进的非极大值抑制方法(Soft-CIoU-NMS), 加入距离有关的权重评价因素, 减少了重叠框的漏检. 实验结果表明: 与现有主流检测模型相比, 此方法在轴承表面缺陷数据集上, mAP达到了90.1%, 参数量降低至1.99M, 计算量为7 GFLOPs, 对轴承缺陷小目标识别率显著提升, 满足工业现场轴承外观缺陷检测需求.