基于图像配准的晶圆表面缺陷检测

设计了一种基于图像配准技术的晶圆表面缺陷自动检测系统,满足目前对晶圆生产中良率的需求。通过SURF (Speeded Up Robust Features)图像配准算法实现待测晶圆图像和标准晶圆图像的空间位置上的匹配。同时对晶圆表面常见的缺陷类型进行分析和研究,采用缺陷轮廓特征提取的方法进行缺陷分类,并对缺陷类型进行相应的标记,实现晶圆表面缺陷的自动检测和识别。     

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。     

钢球表面缺陷的自动检测与识别

在计算机图像处理理论与模式识别理论的基础上,提出钢球表面缺陷评价方法,给出二窗法确定阈值、噪声去除和轮廓跟踪方法;再从处理后图像中提取能表征缺陷性质的几何特征和纹理特征,以实现计算机对缺陷图像的理解和自动识别。     

基于BP神经网络的带钢表面缺陷的识别与分类

运用神经网络处理非线性问题的优势，将其应用于带钢表面缺陷的识别与分类研究。本文采用灰度共生矩阵的特征提取，提出了基于BP神经网络进行缺陷识别与分类的方法，编制了带钢表面缺陷的识别与分类软件。分类测试表明，该软件有较好的识别与分类效果。     

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。     

基于卷积神经网络的磁瓦表面缺陷识别

针对现有的磁瓦表面缺陷识别算法准确率低且泛化能力不足的问题,提出一种基于卷积神经网络的磁瓦表面缺陷识别算法.该算法在轻量级NASNet卷积神经网络的基础上,引入双线性模型增强网络的特征表达力,提高算法识别精度.其次,为了减少模型参数量与计算量,改进NASNet模型结构进行特征降维.同时采用Adam算法作为网络的优化算法...     

基于逆向工程的再制造零件表面缺陷模型设计

以一典型零件叶片为例,利用逆向工程软件Geomagic,分别对缺陷零件和完整零件进行点云数据处理、面体封装、实体建立,得到两对比零件的CAD模型。通过UG的二次开发,将缺陷模型与完整零件进行比对,得出缺陷部分的三维实体模型。与传统方法相比,该方法实现了再制造零件缺陷模型的数字化,为再制造生产中目标修复用量提供了更加准确的参考值,对于企业控制成本、节约资源等方面具有很强的实践指导意义。     

基于小波和灰度共生矩阵的带钢表面缺陷识别

提出了一种基于小波变换和灰度共生矩阵的带钢表面缺陷识别方法。采用小波变换分解缺陷图像并提取其低频子带信息。通过在低频子带上构造0°、45°、90°和135°四个方向的灰度共生矩阵,分别计算角二阶矩、熵、对比度和逆差矩4个特征值,共获得16个特征值,并将其输入支持向量机,完成对6类共1800张带钢表面缺陷图像的识别,总体识别精度大于96%。实验结果表明,小波变换与灰度共生矩阵结合能有效描述带钢表面缺陷纹理特征,具有较好的识别效果。     

基于维纳滤波和混合模型的说话人识别

在说话人识别系统中,训练和测试环境的不匹配会造成识别性能的显著下降.把小波变换和维纳滤波结合起来对语音进行去噪.对于说话人识别,设计了一个由传统方法(如GMM、MLP和DTW)作为前识别器和通过小波分析(加权求和法)检测到的基音作为后识别器所组成的混合识别器.传统方法分别由三类特征矢量(LSF、倒谱和滤波器组)组成.通过小波分析获得的基音携带了关于说话人身份的信息.这个系统能在不同噪声环境下分析基音周期.试验结果显示,所提出的系统的鲁棒性和辨识率都有所提高.     

基于改进Cascade Faster R-CNN的铝型材表面缺陷识别研究

在铝型材实际生产过程中,由于碰撞、加工温度、压力等原因,可能导致铝型材产生擦花、脏点、喷流等数种表面缺陷,缺陷目标较小,长宽大,传统目标检测算法的准确率较低,严重影响铝型材的美观和质量.在Faster R-CNN网络的基础上,引入了多阶段模型训练方法使部分无缺陷样本生成对抗样本,用ResNeXt105网络代替原始VGG16网络提取图像特征,设计了Cascade Faster R-CNN的网络结构,采用FPN提取多尺度特征图并进行特征图融合.实验结果表明,在2722张图像测试集上,Faster R-CNN模型准确率为62.7％,网络模型测试准确率达到81.4％,提高了18.7％.故相比于其他网络模型,改进后的Cascade Faster R-CNN的模型具有更强的特征提取能力和泛化能力,为类似小目标检测提高了技术参考.     

基于Matlab的RBF网络的带钢表面缺陷的识别与分类研究

采用灰度直方图特征、灰度共生矩阵特征和小波变换特征相结合的提取方法,在提取特征向量的基础上,基于Matlab6.5环境下的神经网络工具箱,应用了兼顾识别速度与分类准确性的RBF神经网络分类器对带钢表面缺陷进行识别与分类,通过试验数据的分析,证明此算法可以作为高速生产线的带钢表面缺陷的实时检测优选方案.     

基于Mallab的RBF网络的带钢表面缺陷的识别与分类研究

采用灰度直方图特征、灰度共生矩阵特征和小波变换特征相结合的提取方法,在提取特征向量的基础上,基于Matlab6．5环境下的神经网络工具箱,应用了兼顾识别速度与分类准确性的RBF神经网络分类器对带钢表面缺陷进行识别与分类,通过试验数据的分析,证明此算法可以作为高速生产线的带钢表面缺陷的实时检测优选方案。     

混合特征集与MK-SVM的带钢表面缺陷辨识

针对带钢表面缺陷难以有效辨识的问题,设计基于混合域特征集与多核支持向量机的带钢表面缺陷分类辨识方法。首先基于灰度特征、纹理特征计算带钢表面缺陷的图像特征指标量,构造混合域特征集,再将混合域特征集输入给多核支持向量机实现带钢表面缺陷的分类辨识。实验结果表明,该方法能够有效提取带钢表面缺陷的低维敏感特征,辨识精度高,泛化能力强,可以应用于工程企业带钢表面缺陷的分类辨识。     

基于SimAM模块与ResNet34网络的混合缺陷检测模型

针对现表面缺陷检测方法准确率低、需要进行复杂的特征设计、特征泛化性不强、参数多和识别速度慢等问题,在残差网络卷积模块之后采用自适应全局平均池化,有效降低了分类器的特征维度,减少了信息冗余。将无参注意力机制模块SimAM与ResNet34网络相结合用于缺陷检测,并对不同组合结构进行研究,提出ResNet34＿s＿e和ResNet34＿m这2种混合网络模型,该2种混合网络模型均不增加原始网络参数量。在东北大学钢铁缺陷标准数据集上进行实验,对数据集使用镜像、翻转等数据增广策略,防止模型过拟合。通过对比发现,ResNet34＿s＿e混合网络模型能够有效加快训练过程中误差的下降趋势,提升分类准确率。最后在武汉某制造车间采集的冲压件缺陷数据集上验证该混合网络模型的泛化性能。测试集正确率由88.34%提高到了89.19%,有效提升了车间冲压件缺陷检测准确率。     

基于AlexNet-SVM模型微型钢球表面缺陷快速识别方法

微型钢球由于高反射、球体需要全覆盖的特点,其表面缺陷的质量控制尤为困难。针对人工检测方法效率低且准确度不足的问题,文章提出一种改进的AlexNet的卷积神经网络和SVM模型的钢球表面缺陷快速识别方法。该模型删减了后3个卷积层,保留全连接层FC7提取的特征,采用SVM代替原始Softmax分类器以防止过拟合,提高模型泛化能力。此外,研究了基于K-CV的改进网络搜索算法确定分类器最佳参数。实验采用混淆矩阵对提出模型的识别结果进行性能评估,结果表明,该方法平均准确率达到99.43%,运算时间为17.2 ms。对比原模型及其他网络模型,具有较高的准确度和推理速度,能够满足工业现场检测的需求。     

基于统计学习背景模型的钢带表面缺陷分割

本文利用马氏距离构造了一种基于统计学习的板带箔表面缺陷检测的新方法。该方法利用与待检测的板带箔相关的正常表面图像的先验信息建立一个剩余图像的统计模型,构造一个表面缺陷判别函数,通过设置一个适当的阈值,检测出缺陷区域。实验结果显示了该方法对各类缺陷检测的适用性和有效性。最后我们将其与最佳阈值分割进行对比,并分析了该方法在复杂光照环境下有相对比较好检测结果的原因。     

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...