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。     

基于VisionPro的太阳能电池片定位与缺陷检测系统

太阳能电池片发电具有环保性和高效率性,受到很多国家的青睐。太阳能电池片的焊接目前主要分为人工焊接、单焊和串焊3种方式。该文在电池片串焊机的基础上,基于美国Cognex公司的VisionPro机器视觉开发软件对太阳能电池片定位与缺陷检测系统进行开发。视觉系统基于VisionPro采用C #编程语言,利用VisionPro中的图像工具包来处理图像对电池片进行视觉定位与缺陷检测,并通过与OMRON PLC以及EPSON机器手通信,从而实现太阳能电池片串焊机的全自动化。     

基于深度学习的太阳能电池片表面缺陷检测方法分析

随着太阳能、地热能等可再生能源的广泛应用,光伏行业取得了迅猛发展,光伏行业对太阳能组件的要求也越来越高。基于此,本文以太阳能电池片作为研究对象,对其表现缺陷检测方法进行分析,首先对深度学习技术进行了简单的介绍,然后将深度学习技术作为基础,给出了一种全新的太阳能电池片表面缺陷检测方法,利用电致发光缺陷检测仪的检测原理进行检测系统的设计,实现了太阳能电池片表面缺陷准确且高效的检测。     

基于机器视觉的太阳能电池片位置误差检测

为了提高太阳能焊接机的焊接精度和焊接速度,提出了基于机器视觉在线检测太阳能电池片位置误差的方法。采用最小误差法对图像进行阈值分割,通过轮廓提取出电池片的轮廓;采用Hough变换直线检查的方法得到了电池片边缘及三线所在直线;计算出电池片的位置误差。实验结果验证了该方法的有效性。     

基于CMOS图像传感器的太阳能电池缺陷检测系统设计

针对太阳能电池生产过程中存在的检测速度慢、自动化水平低等问题,提出一种基于机器视觉的电池片表面缺陷检测系统的设计方案,实现了太阳能电池的自动检测。首先设计了一套视觉硬件系统,用于通过CMOS图像传感器采集电池片图像;图像处理算法中,改进了一种基于形态学凸性分析与相对灰度差动态阈值分割的缺陷特征提取法,并通过检测软件的开发来实现。实验表明,同传统的人工检测相比,系统的检测具有较高的准确度与稳定性,具备较高的实用价值。     

硅电池片自动串焊表面缺陷在线视觉检测研究

针对太阳能硅电池片集成串焊在线表面缺陷检测存在的问题,提出了基于机器视觉的硅电池片串焊质量在线检测方法,包括特征识别与视觉测量两部分。在特征识别阶段,提出了一种改进的区域生长算法,对断栅特征实现高速稳定地检测,对于焊后赃污划痕缺陷,先将感兴趣区域自适应阈值化,再通过不变矩等特征筛选异类缺陷;在视觉测量方面,利用目标图像对称性,通过若干采样矩形对焊带偏移及片间距进行基于像素点的测量。该方法实现了在每个传送节拍获取片间图像,通过边缘定位并将原始图像分割为多个感兴趣区域并完成高速在线检测的目标。研究结果表明:提出的硅电池片焊后视觉检测方法能够在自动串焊生产线的快节拍下精确测量与识别缺陷,并具有较好的鲁棒性。     

纹理表面缺陷机器视觉检测方法综述

纹理表面缺陷检测在机器视觉领域具有意义和挑战性，其历史可以追溯到20世纪中后期，近年来随着深度学习技术的蓬勃发展，纹理表面缺陷检测技术大幅飞跃。直至今日，关于纹理表面缺陷检测的调研和综述仍然很少。在此背景下，本文回顾2017年-2021年间200余篇纹理表面缺陷机器视觉检测论文，对纹理表面缺陷机器视觉检测研究进展进行了及时、全面的调查；分析了纹理表面缺陷检测的发展历史和最新研究进展，原则上将纹理表面缺陷机器视觉检测方法分为传统方法与深度学习方法，并对二者进行了深层次研究分析，特别是深度学习方法；对近期出现的几种纹理表面缺陷机器视觉检测方法主题进行总结的同时，也对这些主题的研究进展进行了综述。最后，对未来的研究趋势进行了展望，以期为后续研究提供指导和启示。     

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。     

基于机器视觉的表面缺陷检测方法研究进展

在半导体、PCB、汽车装配、液晶屏、3C、光伏电池、纺织等行业中,产品外观与产品性能有着千丝万缕的联系。表面缺陷检测是阻止残次品流入市场的重要手段。利用机器视觉的技术进行检测效率高、成本低,是未来发展的主要方向。本文综述了近十年来基于机器视觉的表面缺陷检测方法的研究进展。首先给出了缺陷的定义、分类以及缺陷检测的一般步骤;然后重点阐述了使用传统图像处理方式、机器学习、深度学习进行缺陷检测的原理,并比较和分析了优缺点,其中传统图像处理方式分为分割与特征提取两个部分,机器学习包含无监督学习和有监督学习两大类,深度学习主要囊括了检测、分割及分类的大部分主流网络;随后介绍了30种工业缺陷数据集以及性能评价指标;最后指出缺陷检测方法目前存在的问题,对进一步的工作进行了展望。     

基于机器视觉的表面缺陷检测方法研究进展

基于机器视觉的表面缺陷检测以无接触、无损伤、自动化程度高及安全可靠等突出优点被广泛应用于各种工业场景中,尤其随着深度学习技术的快速发展,视觉缺陷检测有助于提高产品及装备的智能化水平。综述分析了表面缺陷检测的常用方法、通用数据集、检测结果评价指标和现阶段面临的关键问题。首先,将缺陷检测方法分为传统基于图像处理的缺陷检测、基于传统机器学习模型的缺陷检测及基于深度学习的缺陷检测,并对各种方法进一步细分归类和对比分析,总结了每种方法的优缺点和适用场景;然后,对目前常用的缺陷检测结果评价方法做出了描述,进一步探讨了表面缺陷检测应用在实际工业产品检测过程中关键问题——小样本问题,重点剖析了小样本问题的解决方法和无监督学习在解决这类问题上的优势;最后,从提高缺陷检测方法的工业适用性角度展望了下一步研究方向。     

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.     

基于机器视觉的轴承缺陷检测研究进展

机器视觉是一种用机器替代人眼进行测量和检测的技术,这种技术应用于缺陷检测具有效率高、速度快、成本低等优点,许多学者将其应用在不同领域(农业、航空航天等),并取得了较好的成果,目前轴承领域也逐渐采用该检测方法。因此,需对应用于不同轴承缺陷及机器学习、深度学习下的轴承缺陷检测算法进行综述,并对其缺陷检测算法的性能进行分析归纳及对比。首先,探讨分析了轴承缺陷形成的磨损机理,并详细介绍了轴承常见磨损形式(腐蚀磨损、疲劳磨损、黏着磨损、滚道磨损等);然后,分别介绍了基于机器学习和深度学习的检测算法的区别及特点;其次,列举了机器学习的算法及深度学习的算法用于轴承缺陷检测的研究应用与分析,主要包括机器学习的人工神经网络、主成分分析、支持向量机等,及深度学习的单阶段和双阶段目标检测算法的应用;最后,为了促进深度学习算法用于轴承缺陷的诊断,针对具体问题提出了轴承缺陷检测的挑战和未来研究方向并给出了详细的建议,对机器视觉在轴承缺陷检测中的研究现状提出了总结与展望。     

基于机器视觉的细长产品表面缺陷检测设备研究

为提高对细长产品表面缺陷的检测效率,运用机器视觉技术对细长产品外部轮廓尺寸及表面缺陷状况进行检测.运用机器视觉技术,分析图像传输过程中噪声产生原因及降噪方法;采用canny算法和Simple Blob Dectorte特征点检测方法,提取零件轮廓和色斑轮廓;编写基于机器视觉的表面缺陷检测程序,并通过实验验证了该方法的可行性.采用系统法对表面缺陷检测设备进行整体分析,设计出与检测程序相配套的机械设备.     

基于视觉的输电线路金具锈蚀缺陷检测方法研究进展

输电线路金具的表面锈蚀作为常见的缺陷类型,是危害输电线路安全运行的重要隐患之一,如何快速、准确地发现锈蚀 的金具设备并进行修复是线路巡检运维工作亟待解决的问题。 本文综述了近十年来基于视觉的输电线路金具锈蚀缺陷检测方 法的研究进展。 首先简述了基于传统图像处理的金具锈蚀缺陷检测流程;然后按照基于传统图像处理、深度学习方法概述了金 具设备锈蚀缺陷检测,重点阐述了基于深度卷积神经网络的目标检测和语义分割算法在输电线路金具锈蚀缺陷检测中的应用; 随后介绍了基于深度学习的金具锈蚀缺陷检测自建数据集以及性能评价指标;最后指出了基于深度学习的输电线路金具锈蚀 缺陷检测方法目前存在的问题,并对未来研究工作进行了展望。     

基于机器视觉的光伏电池片位置误差检测系统

机器视觉是保证光伏电池片串焊质量的关键技术之一.目前基于电池片轮廓定位的位置误差检测方法定位精度差,无法满足高速、高精度串焊的要求.搭建一个光伏电池片位置误差检测平台,构建基于机器视觉的光伏电池片位置误差检测系统.针对光伏电池片的表面特征,提出一种基于电池片边缘和主栅线平均定位的位置误差检测方法.采用改进的最小二乘法,对光伏电池片边缘及主栅线点同时进行直线拟合,保证栅线与轮廓之间的矩形特性,精确地计算出电池片的位置误差,满足串焊机对电池片定位检测高精度和高速度的要求.     

基于语义分割的纸质包装产品表面缺陷检测

针对工业生产中纸质包装产品表面缺陷检测主要依赖人工，效率低下且检测精度无法保证等实际问题，采用一种基于深度学习中语义分割任务的表面缺陷检测方法。以包装纸盒表面缺陷图像数据为例，根据分割任务需求，从结构上改进Unet算法，并基于OpenMMLab开源计算机视觉算法体系中mmsegmentation语义分割工具箱模块，配置DeepLabV3+、Unet、改进Unet三种图像分割算法环境，分别训练迭代相同次数，对比分析分割检测结果以及对验证集图像的预测效果，可以证实改进Unet算法分割性能得到提升，能更好地检测出纸质包装产品表面的深度划痕缺陷；而DeepLabV3+算法性能相对最优，能更好地检测出纸质包装产品表面的破损缺陷，这对于实现纸质包装产品表面缺陷的自动检测具有一定意义。     

基于机器视觉和改进形态学边缘检测算法的钢球缺陷检测技术研究

为提高钢球表面缺陷检测的效率和准确性,设计一种基于机器视觉的钢球表面缺陷分拣系统。对钢球表面图像进行图像分割、平滑去噪和二值化预处理,获取钢球表面图像的准确信息,并采用改进的中值滤波算法去除噪声;利用小波变换和多尺度形态学融合算法进行钢球表面缺陷的边缘检测;通过该融合算法和其他算法的检测结果对比和客观数据评价,验证了本文所提算法能够有效保留图像真实细节,并满足钢球分拣系统的需求。     

基于深度学习的金属材料表面缺陷检测综述

表面缺陷检测是产品质量检测的关键环节，近年来随着深度学习技术的迅速发展，金属材料表面缺陷检测技术大幅提升。对近几年基于深度学习的金属材料表面缺陷检测方法进行了梳理和分析，并从监督方法、无监督方法以及弱监督方法 3个方面对比论述了近年来的研究现状及应用效果。最后系统总结了金属材料表面缺陷检测中的关键问题及解决方法。结合工业需求，对表面缺陷检测的进一步发展进行了思考与展望。     

透明件表面缺陷的机器视觉检测综述

随着现代科技的发展,透明件几乎运用于各个行业并起着不可或缺的作用,透明件表面质量是衡量其合格与否的一个重要指标,同时机器视觉技术因具有速度快、精度高、成本低、稳定性好等优点被广泛用于透明件表面缺陷的检测.本文主要从图像采集、图像处理和缺陷识别几个环节来介绍透明件表面缺陷的检测,对检测系统的类型,采集图像的处理方法以及实验数据的整理进行深入的研究,结合图像特征与深度学习方法对透明件表面缺陷进行归类,探讨机器视觉检测透明件技术发展近状及现存问题.进一步,本文阐述了机器视觉检测透明件的最新进展,并对未来可能发展趋势进行预测,为后续研究工作提供基础理论参考.     

基于彩色机器视觉的多晶硅太阳能电池颜色分选技术研究

针对目前多晶硅太阳能电池片的颜色分选导致的产品质量问题,本文基于彩色机器视觉原理,根据多晶硅太阳能电池片的颜色特征,提出了一种基于颜色直方图统计的多晶硅太阳能电池颜色分类方法。通过分析硅片灰度直方图,分别与标准样品图像比较计算,计算得到直方图分布的标准差,并将得到的标准差进行分类决策,从而实现多晶硅太阳能电池片的颜色分选。实验证明,该方法检测速度快、准确率高和能够满足在线检测的要求。