基于改进CNN和数据扩充的苹果表面缺陷检测

目的:提高苹果表面缺陷的检测准确率和效率。方法:基于改进卷积神经网络(CNN)和数据扩充建立苹果表面缺陷检测方法。改建CNN的拓扑结构,并将其用于苹果表面缺陷检测;利用条件生成对抗网络,合成表面无缺陷和有缺陷苹果图像,实现图像数据扩充和提高改进CNN的苹果表面缺陷的识别性能;通过模型剪枝,合理权衡苹果表面缺陷的检测准确率、检测时间及节能限制,以提高所提方法的实用性。结果:当改进CNN中的解释层选用2 048个解释性神经元时,平均检测准确率最高;条件生成对抗网络增强了苹果图像数据集的多样性;随着增强图像数在测试数据集中占比的增加,所提方法对苹果表面缺陷的检测准确率不断升高;当剪枝后的模型尺寸占原始模型尺寸的百分比从100%降至50%时,可以以6.96%的准确率损失将苹果表面缺陷的检测效率提升1倍。结论:试验方法有望在苹果生产和加工过程中实现自动化缺陷检测。     

基于改进粒子群算法的苹果表面缺陷检测

通过适应值函数建立了粒子早熟判断机制,自适应调节粒子权重和反余弦策略调整粒子加速因子优化粒子寻优,给出苹果表面缺陷检测流程。试验仿真显示该算法检测苹果表面缺陷的轮廓较为清晰,漏检率测试指标最大为4.5%小于其他算法的,完成漏检率所消耗的时间最少,为苹果质量检测提供了一种新的思路。     

基于机器视觉的大枣表面缺陷检测

以中国灵武长枣为试验对象,采用Halconl2.0视觉处理软件,通过支持向量机的方法,在HSI颜色空间中提取H分量的均值、方差作为颜色特征值。通过试验选择高斯核函数,当核函数为0.2,正则常数为0.005时达到较好的分级效果,准确率达到94.6%,大大提高了大枣无损在线检测效率,降低了劳动强度和成本。     

改进YOLOv7的纸张表面缺陷检测研究

提出一种改进YOLOv7的纸张表面缺陷一步式检测算法。首先将注意力机制模块CBAM融合到主干和特征提取网络结构,从空间和通道2个维度提取信息,提升小目标纸病特征提取准确性和算法稳定性;将ASPP空洞卷积加入主干网络SPP中,ASPP可以进一步扩大感受野,使较小目标的特征信息在网络传递时得到保留,解决了小目标信息量不足的问题,进而提高小目标纸病识别的性能。通过自制纸病数据集检测实验,与YOLOv7相比,精确率、召回率及平均精确率均值mAP 0.5分别提升了1.5、2.3和2.1个百分点。     

铝板带表面缺陷智能检测技术的应用

文章介绍了铝板带发展带来的表面缺陷智能检测系统的需求,检测装置的构成及检测过程技术。同时,对智能检测系统在铝板带生产中的实际应用结果做简要介绍。     

探析机械加工零件表面纹理缺陷的检测方法

随着我国工业进程的不断加快,各生产领域对机械加工零件质量提出更高要求,因此,机械加工企业要想在竞争激烈的市场中脱颖而出,尤其应严格把关零件表面纹理缺陷检测。本文对机械加工零件表面纹理缺陷检测流程进行简单介绍,分析机械加工零件表面纹理缺陷特点,研究纹理缺陷提取及检测。     

机械加工零件表面纹理缺陷检测

在我国现代工业生产中,为了提高机械加工零件的质量,就必须对机械加工零件表面纹理缺陷进行一定的检测,这已经成为产品质量检测与控制的一种重要的手段。随着现代工业机构要求的不断提高,精密仪器表面加工要求也在不断的提高,作为一种对机械加工零件质量控制的重要手段,机械加工零件表面纹理缺陷检测已经较为广泛的应用到机械表面加工过程中。由于在对机械零件加工过程中,对机械零件的本身特性以及振动的原因,在机械零件加工表面形成不同的缺陷,存在的缺陷需要有着一定的检测算法,这就需要通过利用计算机进行有效的识别,从而对机械零件加工表面缺陷进行检测。     

基于Blob分析的红枣表面缺陷在线检测技术

搭建一个基于机器视觉的红枣表面缺陷在线检测平台,实现红枣全表面信息的自动化在线实时测量。根据红枣及其表面缺陷的特征,提出在颜色空间模型中采用Blob分析算法进行红枣与背景的分离以及红枣表面缺陷的识别,给出不同缺陷特征种类的颜色空间模型和分割阈值,快速准确地实现破头果、霉变果、浆头果、虫蛀果等典型红枣表面缺陷的识别。试验结果表明,该方法检测结果稳健可靠,缺陷果识别的准确率可达到90%以上。     

基于Inception-V3模型的金属板材表面缺陷检测系统

针对传统检测设备对金属板材凹凸表面、边缘面等特殊部位缺陷检测困难、识别率低等问题,课题组提出并设计了金属板材表面缺陷自动检测系统。通过CCD相机获取待检测部位图片,使用以Inception-V3模型为主的迁移学习算法实现对缺陷的检测。实验结果表明该系统能够准确、高效地检测出金属板材一般及特殊表面缺陷,能够满足工业生产需求。     

基于机器视觉+深度学习目标检测的皮革表面缺陷检测系统研究

针对皮革表面缺陷人工检测效率低、准确率低等问题,基于机器视觉和深度学习算法等构建了一种皮革表面缺陷检测系统.对该系统的主要框架及核心功能进行分析,以一般皮革表面光学检测系统为对象进行检测精度与检测效率对比.结果表明,基于机器视觉+深度学习的皮革表面缺陷检测系统检测精度更高,在应用初期的检测效率与一般检测系统较为接近,但随着应用时间的增长,系统检测效率优势也会逐渐显现.     

基于改进CNN的苹果缺陷检测方法研究

目的:解决现有苹果缺陷检测方法存在的精度低、效率差等问题。方法:基于水果图像采集系统,提出一种改进的卷积神经网络用于苹果表面缺陷检测;引入深度可分离卷积代换原网络标准卷积,提高特征提取速度;引入Leaky ReLU激活函数代替ReLU激活函数,提高计算效率和精度;引入全局平均池化替换全连接层,降低网络模型的计算量;并在每层卷积后加入批量归一化层,通过试验与常规方法进行对比分析,验证其优越性。结果:与常规方法相比,所提方法在苹果缺陷检测中具有较高的检测准确率和速度,且模型参数量少,准确率达99.60%,检测速度(每秒帧数)达526,模型参数量为389 072。结论:该苹果缺陷检测方法能有效降低模型参数和检测时间,具有较高的准确率和速度。     

基于神经网络的织物疵点识别技术

因织物组织繁多,表面特征各异,很难建立一个统一的织物疵点识别模型。为了解决这一问题,实现自动验布,提出采用双层神经网络和小波变换来识别织物疵点的方法。先对正常织物进行训练,得到织物的特征,应用第1层简单BP网络来分辨正常织物和疵点。然后对疵点图像进行二维离散小波变换,并去除织物本身的特征,利用已训练的BP网络进行具体疵点识别。试验证明,这种方法的准确性较高,速度快,基本接近自动验布系统的要求。     

基于红外与可见光图像融合的苹果表面缺陷检测方法

目的：解决目前中国苹果分级分类大部分情况下仍需要进行人工筛选的问题。方法：采用基于多尺度变换的红外与可见光图像融合算法对所采集到的苹果的可见光图像和红外图像进行融合,得到缺陷特征更加直观的融合图像,对该图像进行图像的预处理操作得到二值化图像数据集,再采用卷积神经网络的AlexNet模型对之前的苹果表面缺陷数据集进行训练、验证和检测。结果：该检测方法在所制作的苹果表面缺陷数据集上对完好果、缺陷果、花萼/果梗、花萼/果梗加缺陷识别的平均准确度为99.0%,其中对花萼/果梗的识别准确率可达95.8%,对完好果、缺陷果和花萼/果梗加缺陷的识别准确率高达100%。结论：该方法对苹果表面缺陷的检测精度比较高,可以满足对苹果的在线分级的需求。     

基于改进卷积神经网络的红枣缺陷识别

目的：建立一种基于改进的卷积神经网络的红枣缺陷自动识别方法。方法：采用双分支卷积神经网络结构,分支1结合迁移学习策略进行预训练,分支2基于轻量级网络融合特征图提取红枣图像中的特征信息。通过对比实验验证了该方法的优越性。结果：与改进前相比,改进后的缺陷识别方法优化了卷积神经网络的结构,检测准确率进一步提高,从96.02%提高到99.50%。结论：该方法提高了网络学习速度和收敛速度,具有较好的分类识别效果。     

应用深度卷积神经网络的色织物缺陷检测

针对织物缺陷检测时传统人工的误检率、漏检率较高问题,提出一种应用深度卷积神经网络的色织物缺陷检测算法。因织物图像采集过程中含有较多噪声且信噪比较低,先对缺陷织物进行最优尺寸高斯滤波,有效滤除细节噪声;再根据织物图像特征建立深度卷积神经网络,利用径向基神经网络的非线性映射能力作用于卷积神经网络,并通过反向传播算法调整权值参数,获取无缺陷样本与训练样本之间的映射函数;最后,利用映射函数及特征字典重构图像并提取特征,根据Meanshift算法分割缺陷,确定缺陷位置。结果表明：应用深度卷积神经网络的缺陷检测算法对色织物图像库中的缺陷图像可实现提高检测效率、缩短检测时间,获取准确缺陷位置的目的。     

基于机器视觉的樱桃缺陷检测与识别

以机器视觉技术为基础,利用卷积神经网络对樱桃缺陷进行检测与识别,并进行验证。结果表明,正常果樱桃识别准确率为99.25%,缺陷果樱桃识别准确率为97.99%,识别速度为25个/s;通过与其他方法进行对比,试验方法能够准确检测并识别多种缺陷类型。     

基于改进图像阈值分割算法的纱线疵点检测

针对纺织行业纱线疵点检测方法可靠性差、灵敏度低、检测速度低的问题,提出一种基于数字图像处理的纱线疵点判定方法.首先,搭建纱线图像采集系统,完成纱线图像采集;其次,针对纱线边缘信息难处理以及传统双边滤波对椒盐噪声处理效果差的问题,对双边滤波进行改进,改进后的双边滤波可有效保存纱线边缘信息;再者,针对传统阈值分割计算量大、...     

基于改进残差网络的红枣缺陷检测分类方法研究

提出了一种基于深度残差网络对红枣表面缺陷以及纹理识别的分类算法,将红枣RGB彩色图的G分量图进行预处理后得到的特征图作为网络的输入,采用残差学习的方式扩大神经网络的学习深度,并将残差神经网络的激活函数Relu替换为SELU,对损失函数softmax loss用center loss进行替换,训练时引入Dropout层降低网络过拟合风险,解决了随着学习深度加深网络中梯度弥散和爆炸的现象。研究结果表明:该分类方法准确率达96.11%,检测效率约为120个/min。