基于深度学习的太阳能电池片表面缺陷检测方法

目前对太阳能电池片的缺陷检测仍依赖人工完成,很难通过传统的CCD成像系统自动识别.作为一种多层神经网络学习算法,深度学习因对输入样本数据强大的特征提取能力而受到广泛关注.文中提出一种基于深度学习的太阳能电池片表面缺陷检测方法,该方法首先根据样本特征建立深度置信网络(DBN),并训练获取网络的初始权值;然后通过BP算法微调网络参数,取得训练样本到无缺陷模板之间的映射关系;最后利用重构图像与缺陷图像之间的对比关系,实现测试样本的缺陷检测.实验表明DBN能较好地建立上述映射关系,且准确、快速地进行缺陷检测.     

基于堆叠降噪自编码器的神经–符号模型及在晶圆表面缺陷识别

深度神经网络是具有复杂结构和多个非线性处理单元的模型, 通过模块化的方式分层从数据提取代表性特征, 已经在晶圆缺陷识别领域得到了较为广泛的应用. 但是, 深度神经网络在应用过程中本身存在“黑箱”和过度依赖数据的问题, 显著地影响深度神经网络在晶圆缺陷识别的工业可应用性. 提出一种基于堆叠降噪自编码器的神经–符号模型. 首先, 根据堆叠降噪自编码器的网络特点采用了一套符号规则系统, 规则形式和组成结构使其可与深度神经网络有效融合. 其次, 根据 网络和符号规则之间的关联性提出完整的知识抽取与插入算法, 实现了深度网络和规则之间的知识转换. 在实际工业晶圆表面图像数据集WM-811K上的试验结果表明, 基于堆叠降噪自编码器的神经–符号模型不仅取得了较好的缺陷探测与识别性能, 而且可有效提取规则并通过规则有效描述深度神经网络内部计算逻辑, 综合性能优于目前经典的深度神经网络.     

基于改进型SDA的自然图像分类与检索

将堆叠去噪编码器应用于图像识别中,并针对自然图像检索领域,使用卷积自动编码器改进堆叠去噪编码器,采用非监督贪婪逐层训练算法初始化网络权重,使用反向传播算法优化网络参数.利用改进的堆叠去噪编码器提取自然图像特征,使用softmax分类器分类.最后将提取的特征结合尺度不变特征转换技术实现图像检索.实验证明改进型堆叠去噪编码器大幅降低网络训练时长的同时增强网络的容错能力,提高分类器的分类精度,最终改善图像的检索效果.     

基于堆叠降噪稀疏自动编码器的软件缺陷预测

特征提取是软件缺陷预测中的关键步骤,特征提取的质量决定了缺陷预测模型的性能,但传统的特征提取方法难以提取出软件缺陷数据的深层本质特征。深度学习理论中的自动编码器能够从原始数据中自动学习特征,并获得其特征表示,同时为了增强自动编码器的鲁棒性,本文提出一种基于堆叠降噪稀疏自动编码器的特征提取方法,通过设置不同的隐藏层数、稀疏性约束和加噪方式,可以直接高效地从软件缺陷数据中提取出分类预测所需的各层次特征表示。利用Eclipse缺陷数据集的实验结果表明,该方法较传统特征提取方法具有更好的性能。     

基于融合型深度学习的滚动轴承亚健康识别算法

深度学习模型增加了隐含层的层数,使得该模型在语音识别、图像视频分类等方面取得了不错的效果;但建立一个适合特定对象的模型需要大量的数据集来训练,而且需要较长时间才能获得合适的权重和偏置,为此提出一种基于深度自动编码器-相关向量机网络模型的滚动轴承亚健康诊断方法。首先,采集滚动轴承振动信号并进行傅里叶变换和归一化处理;其次,设计改进的自动编码器-稀疏边缘降噪自动编码器,结合了稀疏自动编码器和边缘降噪自动编码器的特点;接着建立深度自动编码器-相关向量机网络模型,用有监督的函数对各个隐含层的参数进行微调,并利用相关向量机（RVM）进行训练;最后将得到的分类根据D-S证据理论融合并得出最终的分类结果。实验结果表明所提算法能有效提高滚动轴承"亚健康"状态的识别精度,纠正错误分类。     

基于轻量化重构网络的表面缺陷视觉检测

基于深度学习的方法在某些工业产品的表面缺陷识别和分类方面表现出优异的性能,然而大多数工业产品缺陷样本稀缺,而且特征差异大,导致这类需要大量缺陷样本训练的检测方法难以适用.提出一种基于重构网络的无监督缺陷检测算法,仅使用容易大量获得的无缺陷样本数据实现对异常缺陷的检测.提出的算法包括两个阶段:图像重构网络训练阶段和表面缺陷区域检测阶段.训练阶段通过一种轻量化结构的全卷积自编码器设计重构网络,仅使用少量正常样本进行训练,使得重构网络能够生成无缺陷重构图像,进一步提出一种结合结构性损失和L1损失的函数作为重构网络的损失函数,解决自编码器检测算法对不规则纹理表面缺陷检测效果较差的问题;缺陷检测阶段以重构图像与待测图像的残差作为缺陷的可能区域,通过常规图像操作即可实现缺陷的定位.对所提出的重构网络的无监督缺陷检测算法的网络结构、训练像素块大小、损失函数系数等影响因素进行了详细的实验分析,并在多个缺陷图像样本集上与其他同类算法做了对比,结果表明重构网络的无监督缺陷检测算法有较强的鲁棒性和准确性.由于重构网络的无监督缺陷检测算法的轻量化结构,检测1 024×1 024像素图像仅仅耗时2.82 ms,...     

基于混合自动编码器道路语义分割方法研究

道路检测是无人驾驶汽车环境感知的重要环节,利用计算机视觉技术实现对环境场景的语义分割是确保无人驾驶汽车安全行驶的关键技术之一。提出一种稀疏自动编码器和去噪自动编码器相结合的混合自动编码器语义分割模型,利用稀疏自动编码器的稀疏性语义编码和去噪自动编码器鲁棒的语义编码,使混合模型学习的特征更有利于图像的语义分割。通过建立一种合理的模型排列顺序与堆叠形式,实现对图像语义的优化选择,从而建立一个具有深度的“富结构”语义分割模型,进一步提高语义分割性能。实验表明,本文所提模型更为简单、训练周期短,具有较好的综合图像分割性能。     

融合强化学习和关系网络的样本分类

针对少量训练样本在深度学习算法中难以实现高精度分类的问题,提出一种融合强化学习和关系网络的小样本分类算法。采用图像预处理过程中基于强化学习的美学意识图像自动裁剪模型,通过构建美学意识奖励函数来输出最佳裁剪图像,从而保留图像最具特征部分。利用关系网络模型,将自动裁剪后的小样本图像中的训练样本图像与测试图像通过关系网络中的嵌入模块进行特征提取。将提取后的特征进行特征映射级联,并将级联后的特征映射馈送到关系网络中的关系模块中进行比较,将最终产生的0到1范围内的关系评分作为比较结果,从而判断测试图像所属的类别。在小样本数据集上进行实验并与现有方法进行对比,实验表明该方法能够实现较高精度的小样本分类。     

多层降噪自动编码器的心电信号去噪算法

传统的心电信号(ECG)去噪算法在去除线性的、平稳的ECG信号噪声时效果显著,但是在面对非线性、非平稳的ECG信号噪声时去噪效果不理想.为了提高心电信号算法的去噪能力运用了一种基于降噪自动编码器的ECG去噪算法.降噪自动编码器(DAE)具有噪声鲁棒性的特点,可以在信号受到污染的情况下尽可能地恢复数据的原始状态.为了进一步提升降噪自动编码器算法的去噪效果用多个降噪自动编码器堆叠形成深度神经网络对心电信号进行降噪处理.通过实验结果表明:多层降噪自动编码器(SDAE)算法相较于DAE算法和传统的心电信号去噪算法,SDAE算法对非线性、非平稳的信号噪声具有更好的降噪效果,而且保留了原始心电信号绝大部分的细节信息,对噪声具有较强的抗干扰能力,满足了心电信号的去噪要求.     

基于无监督深度图像生成的盲降噪模型

鉴于有监督神经网络降噪模型的数据依赖缺陷,提出了一种基于无监督深度生成（UDIG）的盲降噪模型。首先,利用噪声水平评估（NLE）算法测定给定噪声图像中的噪声水平值并输入到主流FFDNet降噪模型中,所得到降噪后的图像（称为初步降噪图像）作为UDIG降噪模型的输入。其次,选用编码器—解码器架构作为UDIG模型的骨干网络并用UDIG模型的输出图像（即生成图像）分别与初步降噪图像、噪声图像之间的均方误差之和构建混合loss函数;再次,以loss最小化为优化目标,通过随机梯度下降（SGD）网络训练算法调整网络模型的参数值从而获得一系列生成图像;最后,当残差图像（噪声图像与生成图像之间）的标准差逼近之前NLE算法所测定的噪声水平估计值时及时终止网络迭代训练过程,从而确保生成图像（作为降噪后图像）的图像质量最佳。实验结果表明：与现有的主流降噪模型（算法）相比,UDIG降噪模型在降噪效果上具有显著优势。     

基于边缘检测的生产线手机膜缺陷识别方法

目前国内手机保护膜的产量和销量巨大,但手机膜生产线上的缺陷检验仍采用目检法,检测效率与准确率较低.针对生产线上手机膜缺陷检测的4个关键问题(正常与缺陷类别不平衡、高信噪比去噪、边缘特征提取以及缺陷样本检测效率)进行研究.采用RST和图像剪切方法实现缺陷样本扩充,解决缺陷样本少,缺陷位置和形式不足问题;提出自适应小波阈值及新的阈值函数,实现传统小波阈值去噪方法的改进,获得优异的去噪效果;在图像边缘检测技术中,引入改进小波阈值去噪方法及Otsu阈值设置方法,提高传统Canny算子的边缘检测性能,实现图像特征有效提取;利用具有旋转、平移及尺度不变性的Zernike矩对边缘检测结果进行特征表达,提高模式识别的效率及准确率.采用支持向量机(SVM)对正常手机膜和缺陷手机膜的边缘Zernike矩特征进行识别,实验结果表明所提方法准确率高、检测速度快,满足生产线上手机膜的缺陷检测要求.     

基于卷积去噪自编码器的芯片表面弱缺陷检测方法

芯片表面缺陷会影响芯片的外观和性能,因此表面缺陷检测是芯片生产过程中的重要环节。具有缺陷与背景对比度低、缺陷较小等特点的弱缺陷给传统检测方法带来了挑战。因为近年来深度学习在机器视觉领域展现出了强大的能力,所以文中采用基于深度学习的方法来研究芯片表面弱缺陷的检测问题。该方法将芯片表面缺陷看作噪音,首先应用卷积去噪自编码器(Convolutional Denoising Auto-encoders,CDAE)重构无缺陷图像,然后用重构的无缺陷图像减去输入图像,获得包含缺陷信息的残差图。因为残差图中已经消除了背景的影响,所以最后可以基于残差图较容易地进行缺陷检测。由于基于CDAE重构芯片背景的无缺陷图像时存在随机噪音,导致弱缺陷可能会湮没在重构噪音中,为此,文中提出了重叠分块策略抑制重构噪音,以便更好地检测弱缺陷。因为CDAE是无监督学习网络,所以训练时无需进行大量的人工数据标注,这进一步增强了该方法的可应用性。通过对真实芯片表面数据进行测试,验证了所提方法在芯片表面检测上的有效性。     

基于轮廓波变换的织物疵点图像消噪新方法

为了实现织物疵点图像的有效消噪,使其更有利于特征提取和疵点检测,提出了基于轮廓波变换的织物疵点图像消噪新方法。综合考虑轮廓波方向子带能量的大小与织物疵点图像轮廓细节之间的关系,对Donoho多尺度分解阈值进行修正,改进了Donoho多尺度分解阈值对图像细节"过扼杀"的缺点。实验结果表明,对织物疵点图像进行基于轮廓波变换改进阈值消噪时,该方法更好地保留了织物疵点图像的轮廓细节,峰值信噪比显著提高。采用改进的轮廓波Donoho多尺度分解阈值消噪后的图像,可以更好地应用于织物疵点图像的特征提取和疵点识别。     

基于图像处理的印刷电路板质量检测系统设计

针对目前印刷电路板工业高速发展的生产要求,设计了基于图像处理的印刷电路板质量检测系统总体结构,阐述了基于图像处理检测系统的工作原理,讨论了图像采集单元中扫描仪的选择,以及扫描仪驱动的设计;讨论了图像处理单元中的图像去噪,图像分割、图像识别算法,运用图像差分运算方法完成了对缺陷的检测。实验结果证明使用该方法能够简单、快速、有效地识别出PCB板上断路、短路和缺损缺陷。     

基于超声相控阵的角焊缝缺陷信号重构方法研究

在对接管角焊缝进行超声检测的过程中,由于检测的工件结构复杂并且仪器设备本身会受到电信号干扰,所以检测得到的A扫信号存在噪声,在检测图像中会出现“伪像”,从而造成检测困难;如果想要提高检测图像的质量,对于A扫信号的除噪尤为重要;文章提出小波去噪和经验模态分解相结合的角焊缝缺陷信号重构方法：首先分析接管角焊缝结构特点,进行相控阵检测试验,得到缺陷检测数据;然后着重分析了裂纹与未熔合缺陷信号,完成对其的经验模态分解与重构;最后通过对原始信号进行小波去噪及经验模态分解与重构,从而达到了比传统的算法更高的信噪比与更低的均方误差;结果显示本算法有更好的去噪效果,更有利于超声回波信号的分析。     

基于HHT算法的扬声器异常音检测技术

为了有效地检测扬声器异常音,提出一种基于希尔伯特-黄变换的异常音识别及去噪方法。分析了小波变换的不足,再进行HHT分析。建立常见的几类扬声器异常音数学模型,并经EMD分解得到包含异常振动信息的IMF分量,利用IMF分量特点进行去噪处理。再求出各模拟异常音信号的Hilbert谱,采用图像二值化技术处理Hilbert谱,和小波变换时频谱比较后证明了HHT方法具有更多的优势。而且,根据不同类型异常音在时频域的特征,即可判断出扬声器异常音类型。matlab仿真实验结果表明,当归一化阈值取为0.065时,会得到清晰的图像,能更精确地检测出异常音类型。     

机器视觉表面缺陷检测综述

目的 工业产品的表面缺陷对产品的美观度、舒适度和使用性能等带来不良影响,所以生产企业对产品的表面缺陷进行检测以便及时发现并加以控制。机器视觉的检测方法可以很大程度上克服人工检测方法的抽检率低、准确性不高、实时性差、效率低、劳动强度大等弊端,在现代工业中得到越来越广泛的研究和应用。方法 以机器视觉表面缺陷检测为研究对象,在广泛调研相关文献和发展成果的基础上,对基于机器视觉在表面缺陷检测领域的应用进行了综述。分析了典型机器视觉表面缺陷检测系统的工作原理和基本结构,阐述了表面缺陷视觉检测的研究现状、现有视觉软件和硬件平台,综述了机器视觉检测所涉及到的图像预处理算法、图像分割算法、图像特征提取及其选择算法、图像识别等相关理论和算法研究,并对每种主要方法的基本思想、特点和存在的局限性进行了总结,对未来可能的发展方向进行展望。结果 机器视觉表面缺陷检测系统中,图像处理和分析算法是重要内容,算法各有优缺点和其适应范围。如何提高算法的准确性、实时性和鲁棒性,一直是研究者们努力的方向。结论 机器视觉是对人类视觉的模拟,机器视觉表面检测涉及众多学科和理论,如何使检测进一步向自动化和智能化方向发展,还需要更深入的研究。     

基于深度学习算法的风电机组叶片开裂缺陷分析

为实现对风电机组叶片表面缺陷检测的智能化,本研究应用无人机技术、图像视觉技术和深度学习算法,建立风电机组叶片缺陷检测系统,提高了对叶片上开裂缺陷的检测精度。系统使用 算子计算图像横向和纵向的梯度,并对图像进行阈值分割和去噪处理。构建深度学习模型提取图像缺陷的特征信息,加入了SPP-Net网络进行卷积操作,增加了模型的输入数据尺度,得到特征图后在利用PRN网络筛选特征图。实验结果显示本研究系统能够去除大量无用的背景信息,开裂缺陷部位的特征信息保留完整,对验证集中的图像进行测试后,本研究系统识别出的开裂缺陷数最高可达到50个。