基于深度学习特征匹配的铸件微小缺陷自动定位方法

针对射线实时成像检测中精密铸件微小缺陷自动定位的需要,提出一种基于深度学习特征匹配的铸件缺陷三维定位方法。模拟选择注意机制的中央-周边差算法,提出以视觉显著度为尺度,从射线图像复杂背景中检测出微小缺陷及其区域,以定义的区域中央点为待匹配点;然后,提出构造深度卷积神经网络自动提取微小缺陷区域的深度学习特征,通过深度学习特征矢量的相似度,实现在不同视角下投影图像中的同一微小缺陷点的自动匹配;最后,基于平移视差测距原理计算缺陷匹配点的三维空间坐标。实验表明,基于深度学习特征匹配的方法能够正确搜索平移前后投影图像中的同一缺陷点,以此为基础,利用视差测距原理实现了微小缺陷匹配点的自动准确定位,深度定位误差小于5.52%,能够满足对精密铸件微小缺陷智能评判的需要。     

基于Mask R-CNN的铸件X射线DR图像缺陷检测研究

针对传统的铸件缺陷检测不能对缺陷进行分类分级等问题,提出了一种基于Mask R-CNN的铸件X射线DR图像缺陷检测算法。首先对原始图像进行预处理,采用引导滤波进行图像平滑,平滑图像与原图像进行差分得到差分图像,将差分图像与平滑图像相加运算使图像增强,再利用Labelme进行图像标注,形成训练数据集。送入Mask R-CNN深度学习网络,通过特征提取网络生成建议区域,分类、回归网络生成边界框和掩码,经多次参数调节后得到训练网络模型,最后测试数据集。实验数据结果表明,气泡1～5级的检测率分别为:66.7%,71.4%,77.4%,88.9%,87.5%;疏松1～5级检测率为:62.5%,72.2%,77.1%,83.3%,81.1%。检测结果证明应用Mask R-CNN结合引导滤波增强方法的缺陷检测方法可以较好的实现对铸件X射线DR图像的缺陷检测的分级分类,为工业铸件缺陷检测提供了应用深度学习方法的解决方案。     

基于深度学习的表面缺陷检测技术研究进展

随着计算机视觉技术的快速发展,基于深度学习的表面缺陷检测技术实现了爆发式的应用,并逐步成为了主流发展方向。基于深度学习的缺陷检测技术可以近似为计算机视觉任务中的分类、检测、分割等任务,其主要目的是找出物体表面缺陷的类别和所在位置,相较于传统图像处理方法,深度学习在特征提取能力和环境适应能力上优势明显。以缺陷数据标签类型为依据,对近年来基于深度学习的表面缺陷检测技术进行梳理划分,总结目前技术的优点与不足,重点阐述了监督学习下的三种缺陷检测方法。探讨了表面缺陷检测技术面临的小样本以及不平衡样本等关键问题：对于小样本问题目前有结构优化、数据增广、迁移学习等解决方法;针对不平衡样本问题,介绍了近年来热点的无监督、弱监督与半监督学习模型。随后介绍了常用的工业表面缺陷数据集并展现了近年来提出的算法在NEU数据集上的应用效果。最后对进一步的研究工作提出展望,希望能给缺陷检测研究提供有意义的参考。     

基于YOLO深度学习模型的铝型材表面缺陷识别方法

针对铝型材表面缺陷快速准确检测的需求,提出一种基于YOLO深度学习模型的铝型材表面缺陷识别方法.对铝型材数据集进行图像增广,解决原始数据集中图像数量少且缺陷数据不均衡问题.建立基于YOLO的铝型材表面缺陷识别模型,通过增加模型预测尺度,提高对微小缺陷的识别能力.对铝型材缺陷数据集的目标框重新进行聚类分析,改进YOLO算...     

基于 Mask R CNN 的铸件X射线DR图像缺陷检测研究* .txt

摘要：针对传统的铸件缺陷检测不能对缺陷进行分类分级等问题，提出了一种基于Mask R CNN的铸件X射线DR图像缺陷检测算法。首先对原始图像进行预处理，采用引导滤波进行图像平滑，平滑图像与原图像进行差分得到差分图像，将差分图像与平滑图像相加运算使图像增强，再利用Labelme进行图像标注，形成训练数据集。送入Mask R CNN深度学习网络，通过特征提取网络生成建议区域，分类、回归网络生成边界框和掩码，经多次参数调节后得到训练网络模型，最后测试数据集。实验数据结果表明，气泡1～5级的检测率分别为：667%，714%，774%，889%，875%；疏松1～5级检测率为：625%，722%，771%，833%，811%。检测结果证明应用Mask R CNN结合引导滤波增强方法的缺陷检测方法可以较好的实现对铸件X射线DR图像的缺陷检测的分级分类，为工业铸件缺陷检测提供了应用深度学习方法的解决方案。 .txt     

CNN融合PCA-DT模型的金属缺陷识别研究

针对金属缺陷识别分类,传统机器学习需要人工提取特征,而深度学习需要大量样本的问题,本文针对中小规模缺陷数据集提出了一种基于浅层的卷积神经网络（CNN）和决策树（DT）的金属缺陷分类方法。利用卷积神经网络提取特征,通过决策树分类,实现缺陷分类。引入主成分分析（PCA）方法对特征向量降维,减小过拟合并提升算法识别分类效率。为验证本文方法的通用性,除图像缺陷数据外还引入非图像缺陷数据。实验结果表明,本文方法除了能分类图像缺陷也能分类非图像缺陷,且在识别率等3个评价指标上本文方法优于传统机器学习方法,与深度学习方法持平,但在分类消耗时间上少于深度学习。     

基于机器视觉与YOLO算法的马铃薯表面缺陷检测

针对马铃薯表面缺陷检测快速准确的需求,提出一种基于机器视觉与YOLO算法的马铃薯表面缺陷检测方法.应用这一方法,构建马铃薯表面缺陷图片数据集,对原始数据集进行图像增广;通过二分K均值聚类算法进行目标框聚类分析,采用分步训练方式优化学习权重.试验结果表明,所提出的基于机器视觉与YOLO算法的马铃薯表面缺陷检测方法可以有效实现马铃薯表面缺陷的快速、准确检测,平均识别精度达到99.46％,对腐烂、发芽、机械损失、虫眼、病斑检测的精度均高于98％,单幅图片识别时间约为29 ms.     

基于深度学习的铸件DR图像缺陷检测

为了对精密铸件DR(digital radiography)图像中的缺陷进行准确分割,提出一种基于深度学习语义分割的铸件DR图像缺陷检测算法。首先在原始U-Net网络模型上设计混合损失函数,以此来缓解类不平衡问题;然后采用AdamW(Adam with weight decay)优化器使模型加速收敛,同时使检测精度得到提升。最后使用PReLu激活函数代替ReLu,提高模型泛化性。实验结果表明,改进的U-Net模型对精密铸件DR图像缺陷能够得到有效分割,检测精度较高,且模型参数量较少,能够在工业现场进行部署。     

基于集成学习的铸件缺陷识别方法

针对铸件图像噪声多和对比度不足引起的缺陷识别困难的问题,文中提出了一种基于集成学习的铸件缺陷识别方法。首先,该方法采用灰度变换法、双边滤波以及自适应图像分割法对铸件图像进行预处理。然后,通过提取方向梯度直方图（Histogram of Oriented Gradients, HOG）特征、不变矩特征和局部二值模式（Local Binary Pattern, LBP）纹理特征构建全信息特征集,并结合支持向量机递归特征消除（Support Vector Machine-Recursive Feature Elimination, SVM-RFE）算法筛选铸件缺陷敏感特征。最后,利用Adaboost-RF（Adaptive Boosting-Random Forest）方法构建铸件缺陷识别模型。对比实验结果表明,该模型不仅可以有效提取缺陷敏感特征,而且相较于其他分类器具有更好的分类性能和泛化能力。     

基于DSSD模型的机械加工件表面缺陷检测研究

针对机械加工件表面缺陷检测问题,对工件表面缺陷种类、缺陷位置进行了研究,对深度学习中的目标检测算法进行了归纳分析,提出了一种基于DSSD模型的机械加工件表面缺陷检测方法.该方法首先利用扫描电子显微镜获取了不同工件、不同位置的表面缺陷图像,建立了工件表面缺陷数据集,并对数据集进行了扩充;然后将DSSD网络模型反卷积模块的...     

基于深度学习模型融合的铸件缺陷自动检测

针对目前铸件缺陷检测漏检率高的问题,提出一种基于深度学习模型融合的铸件缺陷检测方法。 首先对 Faster RCNN 网络进行改进,利用特征金字塔结构改进特征提取网络模块,实现多尺度的特征融合,完成铸件缺陷的特征提取;然后,基于 ROI Align 对网络中的 ROI 池化层进行改进,将 IOU 分数引入 NMS 算法判定过程;再将改进后的网络与 Cascade RCNN 以及 YOLOv3 进行融合;最后进行实验研究,验证了融合模型能够有效降低铸件缺陷的漏检率。 实验结果表明,将感兴趣区域池化 改进后,在 Faster RCNN 模型中的缺陷召回率提升了 1. 73% ,在本文网络模型中的缺陷召回率提升了 4. 08% ;采用模型融合的 方法在不考虑分类准确度的情况下,整个模型的缺陷识别率达到 95. 71% ,与单个模型相比,在保证铸件缺陷检测准确率的同 时,提高了缺陷检测的召回率,满足了工业应用的要求。     

基于轻量级卷积神经网络的带钢表面缺陷识别

带钢表面缺陷识别对促进带钢生产质量提升至关重要。然而传统的图像处理与识别方法存在精度不高、且容易受到光线等因素影响;而新兴的基于深度学习的算法,则存在模型参数量大且难以部署等问题,无法在实际生产中得到广泛应用。本文提出了一种轻量级部分深度混合可分离网络(PDMSNet)用于解决以上问题,由于其模型小以及浮点型运算(FLOPs)少更易于部署在资源受限的平台。采用标准的带钢表面缺陷数据集NEU-CLS的测试结果表明,与其他缺陷分类器相比,在带钢表面缺陷检测方面,本文所提出的模型性能更加优越。识别准确率达到了99.78%,而参数量只有0.17 M以及272 M FLOPs,在单一低端的GeForce MX250图形处理单元(GPU)识别一张图片平均时间为0.47 ms,可以满足工业现场实时检测的要求。     

基于单目图像序列的铸件三维重建方法

为了实现基于机器视觉的铸件毛刺自动检测与识别,提出了一种基于单目视觉的铸件三维重建方法。利用单目相机对目标进行无标定多角度旋转拍摄,获得一组单目图像序列;运用“两步匹配法”优化相邻图像特征点的匹配,剔除大量误匹配点,提高特征点匹配效率。对三维重建的点阵进行泊松表面重建,细化了铸件三维表面的细节。实验结果表明,该方法装置简单,无需对相机与目标的相对位置进行预先标定,能有效地恢复铸件三维表面的细节特征。该方法适用于机械加工环境下零件的三维表面重建。     

改进全卷积网络优化绝缘子缺陷检测

绝缘子各种缺陷的准确检测与定位是保障电网安全正常运行的关键,针对传统学度学习全卷积网络在进行航拍绝缘子图像缺陷识别时准确率不高问题,提出基于改进全卷积网络优化的航拍电网绝缘子缺陷自动检测算法,算法通过优化模型结构、剔除全连接层Dropout、增加多尺度池化与孔洞卷积以及采用双目标优化函数,实现FCN模型的有效改进,实验...     

基于并联多尺度卷积神经网络的微动脉瘤检测方法

由于视网膜图像中微动脉瘤尺寸小、背景干扰多,导致传统方法检测时准确率低,现阶段的深度学习模型大多针对大尺 寸目标进行检测,存在结构复杂、对小目标的检测效果不佳的问题。 为解决以上问题,提出了一种基于并联多尺度卷积神经网 络的微动脉瘤检测方法。 首先,建立微动脉瘤尺寸与检测用理论感受野之间的对应关系;然后,根据微动脉瘤的类型和尺寸范 围构建包含两个感受野尺度的并行卷积网络;最后,提出了一种基于主动学习的训练集构建与数据增广方式,以提高模型的检 测性能。 方法在两个公开数据集和 1 个自采眼底数据集中进行了对比实验,实验结果表明,该方法能有效实现微动脉瘤的检 测,相比于同类方法对于小尺寸和与血管粘连的微动脉瘤具有更好的检测效果。     

基于改进U-Net的球栅阵列气泡缺陷检测方法

针对现有基于深度学习的图像分割算法在球栅阵列(BGA)焊点气泡检测中检测效率较低,无法满足工业生产中实时性的检测需求,提出了一种基于改进U-Net的球栅阵列缺陷识别方法。该方法在现有的U-Net经典网络的基础上提出用深度可分离卷积与密集连接结合的轻量密集连接单元替换常规的卷积单元,同时添加多尺度跳跃连接减少编解码特征之间的差异,实现针对BGA焊点气泡的精确分割和提取。采用自建数据集对该方法的有效性进行实验,结果表明,改进的U-Net模型网络在减少U-Net网络计算复杂度的同时提升了网络性能,能够增加BGA焊点气泡的检测效率。     

PCBA 板载 DDR 芯片焊点缺陷检测研究

板载芯片朝着小尺寸高密度方向发展,隐藏于芯片封装内部的微焊球缺陷检测愈发困难。针对工业高密度集成印刷电路板组件(PCBA)板载集成电路(IC)内部故障定位难、效率低的问题,提出一种芯片功能测试过程中采用红外热成像检测结合深度学习的多类型缺陷识别方法。以现场可编程门阵列(FPGA)单板双倍数据速率(DDR)存储芯片为对象,建立了芯片缺陷检测模型,搭建检测平台开展芯片内部焊点故障检测试验研究。设计程序实现芯片的数据存储与读出,同步采集红外图像序列,分析存储芯片读写过程中温度变化,并提取不同敏感测量区域热信号。构建卷积神经网络(CNN)分类模型,并进行超参数调优,实现了内部隐藏缺陷包括不同地址、数据、地址空间焊点故障的高效准确识别。引入迁移学习拓展应用于芯片其他9种不同焊点缺陷的检测,在10、20 dB高斯白噪声条件下分别达到95%、92%以上的准确率,从而为实际工业高密度集成PCBA板载微电子封装及可靠性分析提供了一种快速、有效的方法。     

基于视觉显著性的太阳能电池片表面缺陷检测

现有基于机器视觉的太阳能电池片表面缺陷检测算法均是采用各种类型的数学模型来进行算法设计,为进一步提高检测准确率,从人眼仿生学角度出发,首次将人眼的视觉注意机制引入到太阳能电池片表面缺陷检测中,提出了一种基于视觉显著性的太阳能电池片表面缺陷检测算法。首先,对输入的太阳能电池片表面图像进行预处理,去除对检测有影响的噪声和栅线;其次,提出一种基于自学习特征的视觉显著性检测算法来大致定位缺陷区域;随后,提出一种视觉显著性和超像素分割相结合的算法来进一步精确定位缺陷区域;最后,通过形态学后处理得到最终检测结果。在包含多种缺陷类型的测试图像库上的主观和客观实验评估表明,该算法具有较高的检测准确率。