基于图像预处理的神经网络带钢缺陷检测

针对带钢表面缺陷的特点,提出了1种基于图像预处理消除光照不均等的干扰且用神经网络进行缺陷识别的检测方法.带钢缺陷的检测分为3步:首先,对采集的图像进行预处理,通过图像零均值化以消除光照对检测的影响,分别利用维纳滤波和sobel算子对图像进行滤波除噪和锐化处理;其次,通过最大类间方差法进行图像分割以及计算面积来判断是否存在缺陷;最后,在提取图像特征的基础上,通过设计人工神经网络识别带钢缺陷类型.实验表明,采用的方法能够有效抑制图像背景干扰,能够有效地实现带钢缺陷的快速检测.     

基于改进生成对抗网络和MobileNetV3的带钢缺陷分类

针对数据集样本数量较少会影响深度学习检测效果的问题,提出了一种基于改进生成对抗网络和MobileNetV3的带钢缺陷分类方法。首先,引入生成对抗网络并对生成器和判别器进行改进,解决了类别错乱问题并实现了带钢缺陷数据集的扩充。然后,对轻量级图像分类网络MobileNetV3进行改进。最后,在扩充后的数据集上训练,实现了带钢缺陷的分类。实验结果表明,改进的生成对抗网络可生成比较真实的带钢缺陷图像,同时解决深度学习中样本不足的问题;且改进的MobileNetV3参数量是原有参数量的1/14左右,准确率为94.67%,比改进前提高了2.62个百分点,可在工业现场对带钢缺陷进行实时准确的分类。     

基于图像零均值化的带钢缺陷检测

 针对带钢表面缺陷的特点,提出了一种基于图像零均值化的检测方法。首先,通过对测试图像进行零均值化,以消除光照对检测的影响;其次,利用维纳滤波对零均值化图像进行滤波除噪;在此基础上,采用Sobel进行锐化处理;最后,通过最大类间方差法进行图像分割,从而实现对带钢表面缺陷的检测。试验表明,本方法能够有效抑制图像背景干扰,有效地实现带钢缺陷的快速检测。     

棉花中异性纤维的图像多分辨率差分检测方法

针对棉花异性纤维难以检测的问题,提出了一种基于多分辨率尺度图像差分的检测方法。首先,通过小波多层分解实现检测图像中的不同频率信息成份的分离;然后,对不同分辨率的子图之间进行差分提高异性纤维与原棉信息的对比度;在此基础上,采用最大类间方差法对多分辨率差分子图进行二值化分割出异性纤维的信息;最后,通过对分割后的子图进行信息的融合,实现了对异性纤维检测。实验表明,该方法能够有效抑制棉花背景信息,最大限度的提取异性纤维的信息,异性纤维检测的准确率以上达到90%。     

整数小波提升分解的刀具磨损检测方法

针对刀具磨损的特点,提出了一种新的刀具磨损检测方法.首先,利用提升格式,确定小波整数化单层提升分解的方法；其次,利用对小波单层分解的近似子图进行零均值化处理以消除光照的影响；然后,对零均值化的近似子图、水平细节及垂直细节子图进行标准化处理；在此基础上,对分解各子图进行选择性的图像融合处理；最后通过oust方差法进行分割从而实现对刀具磨损的检测.实验表明,所采用的方法能够有效抑制图像背景干扰,能够有效地实现刀具磨损检测.