PNN与BP神经网络在钢板表面缺陷分类中的应用研究

针对钢板表面缺陷图像信噪比低、特征复杂多变而导致现有的钢板表面缺陷模式识别与分类方法存在的实时性差、精度低、适应性差等问题,研究了基于人工神经网络的分类器,以实现对钢板表面缺陷进行实时有效的分类识别。根据钢板表面划痕、麻点、夹杂、锈蚀、辊印5类缺陷的特点,从缺陷图像信号中提取了几何特征、灰度特征和Hu矩特征,选取了能够比较全面表征缺陷特征信息的13维特征向量作为神经网络的输入数据,为缺陷识别和分类提供了依据。分别构造了概率神经网络PNN和BP神经网络分类器,对钢板的表面缺陷进行了分类测试,并对测试结果进行了对比分析。实验结果表明,PNN和BP神经网络的识别率分别为87%和81%。PNN在识别准确率、训练速度、追加样本的能力等几方面的综合性能优于BP神经网络。     

基于BP神经网络的钢球表面缺陷识别

采用灰度共生矩阵为基础的纹理特征计算方法,对钢球表面图像进行特征参数提取,应用基于BP神经网络的图像特征模式识别方法,实现了对钢球表面不同种类缺陷的准确识别,实验结果表明,该方法能够对钢球表面缺陷进行有效地分类识别。     

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。     

基于磁光成像的低碳钢WAAM成形件表面缺陷检测与分类

针对电弧增材制造(WAAM)成形件表面及亚表面微小缺陷难以检测和识别的问题,结合图像纹理特征和神经网络提出一种基于磁光成像的无损检测方法,实现低碳钢WAAM成形件表面微小缺陷检测和分类。首先对二次表面精加工后的WAAM成形件进行磁化,并使用磁光成像仪获取成形件表面磁光图像作为试验样本,然后对磁光图像进行预处理,用灰度共生矩阵提取每幅图像的能量、熵、对比度和相关性纹理特征,对比分析无缺陷、熔合不良、凹陷和裂纹4种WAAM成形件表面质量纹理特征,最后通过建立的LMBP神经网络模型对成形件表面质量进行分类预测。试验预测结果表明,WAAM成形件表面缺陷检出率为97.33%,表面质量分类准确率可达91.33%,验证了所提方法能够有效检测和识别低碳钢WAAM成形件表面微小缺陷。     

基于机器学习的灭弧栅片表面缺陷检测方法

为了实现金属灭弧栅片表面缺陷的自动检测,引入了CCD成像系统并提出了表面缺陷检测三步法:第一步对原始图像进行去噪,第二步将灭弧栅片从背景中提取出来,第三步利用分类器对缺陷产品进行识别。提出了基于方向梯度直方图(HOG)与Gabor特征结合的图像特征提取算法,与传统的基于HOG和基于Gabor特征的算法相比,多分类支持向量机的训练结果显示本方法识别率分别提高了13%和7%。通过设计卷积神经网络框架对缺陷产品进行检测,结果显示正确率为93%。在二分类情况下对支持向量机和卷积神经网络的分类性能进行了比较,结果显示卷积神经网络性能更优。     

基于SSDAE深度神经网络的钛板电涡流检测图像分类研究

钛板电涡流成像检测易受工业现场中的噪声影响,包含噪声的检测图像往往难以提取较好的特征,从而影响分类识别精度。针对以上问题,提出了一种基于栈式稀疏降噪自编码(SSDAE)深度神经网络的钛板缺陷电涡流检测图像分类方法。将稀疏性限制引入降噪自编码器并进行逐层无监督自学习,然后将自编码器栈式组合后添加逻辑识别(LR)层,构建出SSDAE深度神经网络,网络在有监督微调后可实现钛板缺陷电涡流图像特征自动提取与分类识别。稀疏性限制的引入提高了特征学习能力,降噪自编码器的栈式组合提高了深度网络的鲁棒性。实验结果表明,相比其他常规方法,所提出方法不仅在理想环境下有更高的分类准确率,且该方法能有效抵抗噪声,在复杂工况下能更有效地对钛板缺陷进行分类识别。     

基于机器视觉的笔芯球珠表面缺陷检测系统研究

针对笔芯球珠表面缺陷检测识别问题,设计并实现了基于机器视觉的笔芯球珠表面缺陷检测系统。笔芯球珠在球面展开机构作用下,通过图像采集模块获取5张可以完全覆盖整个球面的图像。通过对每幅图像进行缺陷图像提取后,采用基于轮廓角点匹配的方法实现对每幅图像中缺陷图像的拼接;基于提取的有效特征组合通过KNN分类算法对完整的缺陷图像进行缺陷识别。试验结果表明,该方法能够对笔芯球珠表面缺陷进行精确有效的检测与识别。     

焊接缺陷的磁光成像小波多尺度识别及分类

针对焊缝微小凹陷、未熔合和焊偏等焊接缺陷,提出了基于磁光成像无损探伤的小波多尺度边缘提取算法及主成分分析-误差反向传播神经网络(PCA-BP)缺陷分类模型;研究了焊件表面及近表面缺陷的可视化无损检测及分类方法。首先,通过对焊件施加感应磁场,利用法拉第磁致旋光原理构成磁光传感器,获取焊接缺陷磁光图像。然后,针对焊接缺陷磁光图像存在噪声干扰、对比度低且成像背景复杂等特征,基于小波模极大值的多尺度边缘信息融合方法,设计了具有高抗噪性的缺陷边缘检测算法。最后,通过PCA法对磁光图像列方向灰度变量进行预处理,得到能表征95%磁光图像列方向灰度变量信息的256个特征点作为输入特征量,构建了三层BP神经网络模型,对焊接缺陷样本进行分类。试验结果表明,所提方法能准确识别微小凹陷、未熔合和焊偏等焊接缺陷,模型分类准确率可达90.80%。     

基于LVQ的带钢表面缺陷分类研究

简要介绍了带钢表面缺陷二级检测的方法.研究了基于缺陷图像直方图、纹理、投影和形状的特征提取.提出了用LvQ神经网络进行缺陷分类的方法.分类测试表明该方法有较好的分类识别性能.     

基于图像处理技术的铸坯表面缺陷自动检测系统的研究

针对目前国内铸坯表面缺陷检测方法落后、检测效率低的情况,应用图像处理技术,设计了铸坯表面缺陷自动检测系统方案.研究了适合高温高辐射条件下的图像采集方案和算法,采用基于BP神经网络的模式识别方法对铸坯表面缺陷图像进行识别与分类,能够有效地提高铸坯质量管理.     

基于子区域变尺度高斯拟合的木材表面缺陷识别

为了提高木材的使用效率、避免由于木材缺陷造成生产故障,根据木材缺陷类型对其分类处理是一种有效的手段,但木材缺陷复杂多样且具有诸多相似性使得类别区分成为难点。针对以上问题本文提出了一种基于子区域变尺度高斯拟合模型的缺陷识别方法。首先建立变尺度高斯拟合基本模型,然后将缺陷纹理分成若干子区域,提取各分区的高斯拟合特征并进行融合;将高斯融合特征及圆度和边缘直线度这两个几何特征输入到建立好的BP神经网络模型中进行训练,根据优化训练的网络模型识别缺陷。该方法对自建的SUT-W图库中雪糕棒图像上人工标定的裂缝、矿物线、矿物块和黑节子的准确识别率分别为91.72%、92.77%、92.67%和92.80%,与其他典型纹理检测方法相比,4种缺陷准确识别率最高分别提高9.38%、6.69%、13.55%和10.22%,说明本文方法能够有效地将以上4种缺陷分辨开,具有一定的实际应用价值。     

焊接缺陷磁光成像动态检测与识别

为了实现焊接缺陷的自动检测,研究一种交变磁场激励下焊缝表面及亚表面缺陷的磁光成像动态无损检测方法。分析了基于法拉第磁致旋光效应的焊接缺陷磁光成像机理,并结合交变磁场原理推导出励磁变化与动态磁光成像的关系。探索低碳钢板的亚表面焊缝磁光成像特征试验,验证了所提方法可用于检测焊缝亚表面的未熔合缺陷。最后对高强钢焊缝特征的动态磁光图像进行分析,采用主成分分析法和支持向量机(PCA-SVM)模式识别方法建立了焊接缺陷分类模型。试验结果表明,所提方法可以识别高强钢焊件中的焊缝特征(未熔透、裂纹、凹坑和无缺陷),缺陷分类模型的整体识别率达到92.6%,能够实现焊缝表面及亚表面缺陷的自动检测。     

基于智能图像识别的烟盒包装质量快速检测系统的研究

提出一种基于智能图像识别技术的烟盒包装瑕疵检测方法,将图像处理为灰度值矩阵后,通过感兴趣区域和 Sobel 算子边框查找法进行瑕疵快速识别。提出一种基于机器学习和 SVM s 模式识别的分级算法,实现包装瑕疵的快速分类。建立了盒装香烟包装质量检测系统模型,验证所提算法具有正确识别率高和误判率合理等优点,对构建基于智能图像识别的产品检测系统具有一定的工业参考价值。     

钢板缺陷识别的Volterra-SVM模型研究

针对钢板缺陷识别问题,结合超声波脉冲反射原理,提出一种基于Volterra级数和支持向量机的钢板缺陷识别方法。首先,利用Volterra级数模型建立起钢板缺陷的特征模型;其次,使用分数阶粒子群优化算法提取出原始信号中的特征参数,即Volterra级数时域核;最后,将提取到的特征向量输入支持向量机模型进行训练与测试,完成对钢板缺陷的分类识别。设计实验得到多组数据样本,进行模型验证,实验结果表明：基于Volterra级数和支持向量机的识别模型能够较好的完成对钢板缺陷的分类识别,识别准确率达93.3%。     

基于纹理特征的道路行人识别研究

道路行人识别已经成为智能车辆与车辆辅助驾驶系统的关键技术。研究一种基于纹理特征的行人特征提取和识别方法。纹理特征作为图像的重要特征在图像分析与识别有着广泛的应用。做出道路行人与非行人样本的纹理频谱,得出它们存在差异性的结论。首先用统计方法来计算样本图像的纹理特征,然后将支持向量机方法应用于道路行人的识别试验。试验结果表明,选择纹理特征作为道路行人特征具有很好的道路行人识别效果。     

炭素制品缺陷X射线自动检测关键技术的研究

以炭素制品X射线检测图像为对象,对其关键技术进行了研究。设计了目标边界提取算法和基于小波变换的图像增强算法等预处理方法。采用数学形态学和迭代阈值分割相结合的方法进行缺陷提取,取得了良好的效果。制定了一套用于特征描述的参数,设计了基于遗传算法的特征选择策略,实现了对缺陷原始特征量的优化选择。利用BP神经网络分类器及选择的特征值对缺陷进行了模式分类。实验结果表明,本文提出的方法比较有效,可以用于实际缺陷的自动提取与识别。     

基于离散Curvelet变换和LS-SVM的虹膜特征提取与识别

提出了一种基于离散曲波变换和最小二乘支持向量机(LS-SVM)的虹膜特征提取与分类识别的新方法。对虹膜纹理采用离散Curvelet变换,提取低频子带系数矩阵的均值方差和高频子带能量作为虹膜图像的特征向量,利用最优二叉树多类LS-SVM分类器进行分类与识别。MATLAB仿真实验结果表明,与现有方法相比,该算法识别准确率较高,能有效应用于身份认证系统中。     

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Gabor小波的TOFD图像缺陷识别研究

针对运用超声衍射时差法（TOFD）法对焊缝进行检测时,图像缺陷人工定性主要受检验人员经验和专业知识影响缺乏可靠性的问题,提出了一种TOFD图像缺陷自动定性的方法.该方法首先提取TOFD缺陷图像的Gabor小波特征,并依据这些特征,采用主成分分析技术（PCA）对Gabor特征进行降维,然后采用Fisher线性判别分析方法对其进行了判别分析,最后完成了缺陷的自动定性分析;同时,建立了一个实际系统,并在测试样本上进行了试验验证,试验在109幅人工试块缺陷及自然缺陷训练样本及25幅测试样本中进行,采用Gabor小波特征及原始图像像素特征所构建的缺陷分类器识别率比较.研究结果表明,基于Gabor小波特征的缺陷识别方法识别率达到72％,比原始图像特征的缺陷识别方法更优.     

轴承套圈端面缺陷在线视觉检测的研究与实现

针对轴承生产企业套圈生产过程中普遍存在端面缺陷的问题与人工目检的现状,提出了基于机器视觉的轴承套圈端面缺陷在线检测方法.首先,对套圈图像预处理后进行边缘检测,采用四连通域定位套圈端面区域;其次,采用最小二乘法拟合端面轮廓以判别外形缺陷,采用极坐标变换将套圈环形端面拉伸成矩形,采用Sauvola局部二值化算法对矩形图进行...