一种基于改进Faster RCNN的金属材料工件表面缺陷检测与实现研究

目的 针对传统检测算法在工件表面缺陷检测上的局限性,以及检测精度不高、准确率较低、检测过程繁琐等问题,提出了一种基于改进RCNN的金属材料工件表面缺陷检测算法。方法 图像预处理过程中,运用了图像缺陷定位标注与图像数据的增强处理的方法。模型训练时为了避免某些分类数据不足,防止因数据集过小导致系统测试模型出现过拟合现象,使用了对原图像进行数据扩增处理。检测网络模型设计时,采用非极大值抑制算法对缺陷图像进行候选区域筛选,构建了区域建议网络,实现网络多层特征的复用和融合,在减少候选区域冗余的基础上提高系统的检测精度。引入多级ROI池化层结构设计算法,消除ROI池化取整而产生的系统偏差,实现高效并准确检测零件表面缺陷的目的。基于ROI-Align算法的原图位置坐标改进,利用双线性插值法获得原图的位置坐标,克服了基于最近邻插值法的ROI-Pooling设计算法带来的像素位置偏移和检测不匹配（misalignment）的问题。结果 设计的检测方法在测试集上,金属材料工件表面目标缺陷检测速度达22 帧/s,准确率达97.36%,召回率达 95.62%。结论 与传统的工件表面检测方法相比,改进的FasterRCNN方法对目标识别与定位处理具有较快的速度与较高的准确度,能在复杂场景条件下,提升工件表面缺陷的检测性能。     

工件表面缺陷图像检测中的自适应聚类

目的 针对工件表面形态复杂、干涉交叠缺陷难以实现自动分离、分类图像检测的情况,提出一种工件表面交叠缺陷自适应图像聚类方法。方法 首先提取工件表面缺陷二值图像,采用混合概率主成分分析器估计缺陷位置各像素点局部切空间信息,并改进局部切空间之间的相似性矩阵;然后通过改进局部密度峰值自适应方法,基于相似性矩阵确定聚类中心点和数目;最后通过谱多流形聚类,将各分析器所包含的像素点分配至不同缺陷流形结构中,实现多个交叠缺陷分离、检测。结果 首先通过比较计算与实际测量的长度、宽度来验证该方法对相互交叠结构缺陷良好、准确的分离效果,平均相对误差分别为0.957%和0.650%。其次为了体现该方法对于分离工件表面相互交叠缺陷的有效性及优越性,使用k-means聚类、谱聚类与该方法进行对比实验,证明了该方法良好的聚类效果。最后对所设计方法的稳定性进行测试,统计检测结果的平均ME值均在6%以下,正确聚类数目率高达99%~100%。结论 该方法能够较为准确地自动识别工件表面图像中存在相互干涉的不同缺陷,并进行分离。     

改进卷积神经网络在工件表面缺陷检测中的应用

文章针对传统缺陷检测方法的效率低、易于误检等局限性,结合深度学习算法,提出了一种改进的卷积神经网络(CNN)模型应用于工件表面缺陷检测。在所提出的模型中,将CNN的分类器进行改进,使用AdaBoost构建AdaBoost-SVM级联分类器,其中SVM用作AdaBoost的弱分类器,训练后使得多个弱分类器组合成一个级联强分类器,可以大幅度的提高检测准确率,并进行了实验研究,实验结果表明模型的检测准确率达到97.4%。     

基于改进Faster R-CNN的航空发动机制件表面缺陷检测算法北大核心

针对现有航空发动机制件缺陷检测所存在的检测准确率低、速度慢等问题,提出一种基于改进Faster R-CNN算法的缺陷检测方法。该算法使用深度残差网络提取缺陷特征,采用含有内容感知重组的特征金字塔模型融合各层次特征图,并根据检测框尺度选取相应层次的特征图进行检测和识别,在RCNN部分使用分层采样实现挖掘难例,增强模型对难例样本的学习。实验结果表明:所提算法具有较高的检测准确率,而且能够有效提升检测速度。     

基于YOLO_v4的空心杯电枢表面缺陷实时检测

在空心杯电枢的绕制工艺过程中,绕线机异常工作会造成电枢表面出现孔洞等影响空心杯电机寿命的缺陷,为解决空心杯电枢表面微小缺陷检测过程中存在的准确率低、检测速度慢、不能实时检测缺陷等问题,文章提出一种基于YOLO_v4的空心杯电枢表面孔洞缺陷检测方法。对采集的图片进行数据增强及K折交叉验证,提高模型的鲁棒性,以避免训练模型过拟合;借助CSPDarknet53网络及SPP模块提取输入原始图像的特征,通过训练获得针对空心杯电枢表面缺陷的检测模型,提升YOLO_v4缺陷位置检测及识别的精度;在搭建的实验平台上采集数据并验证基于YOLO_v4提出方法的有效性。实验结果表明该方法可有效满足工业生产复杂背景下电机电枢表面微小孔洞缺陷检测的要求。     

基于机器视觉的电枢缺陷检测系统

为解决现阶段依靠肉眼进行电枢缺陷检测的效率低下和因为判断标准具有很大的主观性导致判别结果不稳定等问题,研究出了一种基于机器视觉的电枢缺陷检测系统。该系统可以采集到电枢不同角度的图像,并根据检测难度把每张电枢图像分为三个区域,分别由传统机器视觉算法、MobileNet-V3以及DenseNet神经网络模型对不同类型的缺陷同时进行检测。该系统所用到的数据集通过质检人员分类获得,可以保证标准的正确性。不同类型的缺陷分开检测可以提升系统的准确率,多区域同时检测可以提高系统的检测效率。实验表明,该系统在微型电枢的视觉缺陷检测上具有可靠的效果,能够应用于工业领域中并取代人工检测的方法。     

基于卷积神经网络的工件表面缺陷检测方法

为了提高工件表面缺陷检测的准确率,基于卷积神经网络的原理和工件表面缺陷检测的应用背景,对分割网络模型进行了改进.改进的分割网络模型中优化分割模块中的卷积层和卷积核大小,下采样时使用最大池化代替大步长的卷积.决策模块中通过改变卷积层和池化层得到更多的输出神经元,获得了更多的工件特征.实验验证表明,改进的分割网络模型应用到...     

基于改进Faster R-CNN的轴承表面缺陷检测

针对轴承表面缺陷小、几何形状多变以及低对比度的特点，提出了一种改进的Faster R-CNN算法，对轴承表面缺陷进行检测。首先，以ResNet-50结合特征金字塔网络对轴承表面缺陷进行特征提取；其次，在改进的特征提取网络中引入可变形卷积，通过卷积学习偏移量自适应调整感受野，提高了缺陷的提取能力；最后，针对ROI Pooling因二次量化而导致的区域不匹配问题，采用基于双线插值的ROI Align改进ROI Pooling。实验结果表明，在采集的轴承表面缺陷数据集上，改进的Faster R-CNN平均精度均值为97.6%,与改进前相比，提高了11.76%,可以实现对轴承表面各类缺陷更为准确的检测，具有较强的实用性。     

基于神经网络的铝合金裂纹缺陷识别（英文）

将人工神经网络方法应用于铝合金工件裂纹缺陷识别,以克服传统人工识别的局限性,从而提高裂纹缺陷识别的准确率。通过设计并搭建水浸超声检测系统,获得超声检测缺陷的波形数据,并对收集到的缺陷波形数据进行特征提取,从中筛选出有用的特征信息,经过小波去噪处理后作为特征信号输入概率神经网络,并进行网络训练,实现对不同裂纹尺寸的智能识别。实验结果表明:该方法可提高对裂纹缺陷尺寸识别的准确率和检测效率,具有较好的应用前景。     

基于神经网络的铝合金裂纹缺陷识别

将人工神经网络方法应用于铝合金工件裂纹缺陷识别,以克服传统人工识别的局限性,从而提高裂纹缺陷识别的准确率。通过设计并搭建水浸超声检测系统,获得超声检测缺陷的波形数据,并对收集到的缺陷波形数据进行特征提取,从中筛选出有用的特征信息,经过小波去噪处理后作为特征信号输入概率神经网络,并进行网络训练,实现对不同裂纹尺寸的智能识别。实验结果表明:该方法可提高对裂纹缺陷尺寸识别的准确率和检测效率,具有较好的应用前景。     

动态场景下移动机器人视觉SLAM

为实现动态场景下移动机器人自主定位和建图,解决传统视觉里程计方法跟踪效果差及累积误差问题,提升闭环检测的准确性和鲁棒性,提出融合深度学习的同时定位与地图构建方法。采用四叉树算法均匀化特征分布,解决动态场景特征聚集问题;通过优化的目标检测网络识别场景动态语义信息,剔除动态物体对位姿估计的干扰;充分提取场景空间结构信息,结合点特征和线特征实现位姿跟踪及回环检测,构建全局一致的环境地图。TUM数据集和真实场景实验结果表明：改进方法提升了移动机器人定位和建图的准确性和鲁棒性。     

复杂纹理工件的位姿检测方法研究

针对工业检测中一类具有平面特征的复杂纹理金属工件的位姿检测问题,使用双目视觉和DLP投影仪,将工件的局部特征作为检测重点,提出一种投影差分多线结构光的方法,使差分结构光的中心线相互补偿,减少提取光条中心线出现异常点的概率。运用极线约束特征点行对齐的特性,设计无编码双目结构光系统特征点匹配方法,提高提取平面特征点的稳定性。利用Tukey权重函数改进拟合算法,进一步提升工件被测平面拟合精度和提取工件边缘和角点的准确度,解决了传统拟合模型算法权重分配不合理的问题。经三轴精密滑台实验,并与高精度三坐标仪对比检测结果,验证该方法可以满足高精度三维测量的需求。     

一种用于轴承缺陷图像分割的改进k-means聚类算法

为了实现轴承缺陷无损检测自动化,研究了轴承表面缺陷图像的分割方法。在数字图像处理技术的基础上,提出一种改进的k-means的图像分割算法。先利用二维向量小波变换对图像提取特征,根据表面缺陷特征,运用k-means算法的思想,对其进行改进。试验结果证明,该方法显著提高了分割速度和精度,受背景、光照、角度、姿态的影响很小,具有较好的鲁棒性,具有一定的使用价值。     

基于Faster R-CNN算法的列车轴承表面缺陷检测研究

将深度学习Faster R-CNN应用于列车轴承图像的表面缺陷检测。建立人工数据库BSD,通过对图像增广弥补数据不足的缺陷;采用Faster R-CNN算法进行目标检测和识别,卷积神经网络采用ZF Net模型,对BSD数据集训练,得到检测结果;并与传统检测方法Canny算法的检测结果进行比较。试验结果表明:和传统Canny算法比较,基于Faster R-CNN算法的轴承缺陷的检测精度为93.03%、检测时间为0.29 s,相比传统Canny算法检测精度提升21.73%、检测时间减少2.21 s,同时准确率大幅度提高,能够实现轴承表面缺陷的精确检测和识别,满足铁路部门对轴承检修的需求。     

基于二值化赋范梯度的中厚板表面缺陷检测

目的 针对中厚板表面复杂、缺陷识别率低的问题,设计一种有效的候选窗口提取方法,提升中厚板表面缺陷检测的准确性与实时性。方法 引入视觉选择性注意机制,采用一种基于二值化赋范梯度特征（Binarized Normed Gradients,BING）的一般对象估计算法来快速准确地提取缺陷感兴趣区域（Region of Interest ,ROI）,有效缩短搜寻过程。首先将样本归一化到8×8大小,提取规范化梯度特征（Normed Gradients,NG）,学习一个测量显著性的线性SVM分类器来预测图像窗口含有缺陷的可能性。然后再通过样本尺度优化显著性评分,学习一个校准显著评分的线性SVM分类器。最后将两个SVM模型级联,用于在线检测,提取缺陷感兴趣区域。结果 将训练好的BING模型与Inception-V3卷积神经网络相结合,用于中厚板表面缺陷检测与识别,BING算法有效减少了ROI数量,在ROI数量为500的情况下,达到了98.2%的召回率。结论 在保证缺陷召回率的前提下,BING生成的ROI数量比滑动窗口遍历方式少2个数量级,有效减少了后续识别算法的计算量,有利于引入复杂的分类器提升中厚板表面缺陷识别的准确率。     

基于神经网络的磁瓦表面缺陷检测识别

目的针对传统算法提取磁瓦表面缺陷的局限性,以及通过人为选择缺陷特征进而判断缺陷种类的方法精度不足等问题,结合改进的UNet模型和一个分类神经网络提出一种磁瓦缺陷检测识别算法。方法改进的UNet模型用于提取缺陷,而分类神经网络则用于对所提取的缺陷区域进行分类识别。为了提高模型的分类精度,使用空洞卷积对UNet模型部分卷积层和池化层进行替代,以减少多次池化带来的细节丢失的问题,同时,增加多次跳跃连接,使UNet模型能够融合更多的卷积特征。结果经实验验证表明,改进UNet模型对缺陷区域的预测精度可达到93%。根据预测结果使用分类神经网络对缺陷进行分类,经实验验证,分类的精度可达94%,满足工业要求。结论改进的UNet模型对磁瓦缺陷提取精度有所提高,分类神经网络的缺陷分类精度较高。结合改进的UNet模型和分类神经网络能同时并有效地实现缺陷提取和分类识别,为磁瓦质量检测和性能评估打下基础。