基于改进YOLOv5算法的零件表面缺陷检测

针对现代工业生产环境对零件表面缺陷的高效率检测与计算需求,提出了一种基于YOLOv5算法网络的金属零件表面缺陷检测方法。通过引入以CBAM为基础构架的注意力机制,增强目标检测网络对特征图中重要信息的提取效率：针对小目标检测效率不佳的问题,融合了BiFPN网络与可变形卷积策略,提升算法对小目标缺陷的检测精度,降低小尺寸疵病漏检率。采用模型剪枝方法,有效降低了网络中冗余计算量,增强了算法的多种类平台嵌入泛化性,提升网络面向算力资源有限的移动平台时的兼容性。以NEU-DET数据集为例进行训练与测试,结果表明改进后的算法平均均值精度为98.5%,单帧计算速度为12.1 ms,能够实现针对金属工件表面缺陷的高精度、低延迟检测能力。     

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...     

基于改进YOLOv5算法的带钢表面缺陷检测北大核心

针对当前带钢在表面缺陷检测过程中存在检测算法精度有待提高等问题,提出了一种基于改进YOLOv5算法的带钢表面缺陷检测模型。首先,在检测端构建新的检测层,提高网络对不同尺寸目标的检测;其次,在主干网络结构中引入注意力模块,进一步加强网络提取特征的能力;然后,通过BiFPN_Add来增强深浅层特征信息的融合;最后,构建新的CNeB模块来取代各检测层对应的C3模块,进而增强网络对特征的提取。实验结果表明,改进后的算法在NEU-DET数据集上均值平均精度达到了80.9%,较原有的算法提升了4.5%,同时检测速度与原模型保持基本不变,性能优于目前其他主流的检测方法。     

基于改进的Faster-RCNN模型的汽车轮毂表面缺陷在线检测算法研究

目的通过构建轮毂在线生产视觉检测系统,预测轮毂生产过程中轮毂表面的缺陷。方法根据轮毂表面缺陷的定义和评价标准,给出了轮毂表面缺陷的计算模型,采用了改进型的Faster-RCNN目标检测算法,引入了深度生成式对抗网络,消除图像的模糊性,再利用清晰的轮毂表面图像进行模型训练,结合领域专家的判别标准,优化网络参数,构建轮毂表面缺陷检测模型。利用深度学习Pytorch框架,在NVIDIA Tesla P100图像加速卡上进行模型训练,并对模型结果进行对比性实验分析,找出最优的预测模型。结果在基础网络部分,采用残差模型ResNet101网络比采用VGG16模型的准确率提高了24%。在目标检测网络模型中引入了多通道特征融合模块,准确率提升了2%。再引入FPN金字塔模型,融入低级和高级语义信息,使得输出的多尺度的预测特征图谱效果更好。最后把残差网络的ROI-Pooling算法改为ROI-Align算法,准确率提高了5%。通过对网络模型的不断改进和优化,轮毂表面缺陷的识别率不断提高。结论利用改进型的Faster-RCNN网络能够识别出轮毂表面缺陷的种类和位置,满足生产环境的要求,具有一定的工程应用价值。     

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Can...     

基于改进YOLOv5的轴类零件表面缺陷检测算法

针对当前轴件表面缺陷种类繁多、缺陷形态复杂等原因导致的检测精度低,提出了一种改进的YOLOv5的目标轴件表面缺陷检测方法。为解决在日常生产中经常出现轴件表面小目标缺陷被漏检、错检的问题,在原YOLOv5基础上,添加一个新的小目标检测层,并将较浅特征图与深特征图拼接,使得整个网络更加关注小目标缺陷。同时为解决多目标缺陷和不完整轴件检测精度低与漏检,自建数据集中添加多目标缺陷与遮挡处理的轴件图像数据,经对比实验可知,改进的YOLOv5模型的检测性能优于FasterRCNN、SSD、原始YOLOv5三种主流算法模型,测试的平均值精度分别高出7%、9%、4%。证明了该方法对轴件的表面缺陷检测精度更高,且对多目标缺陷与不完整的轴件的检测效果有显著提升。     

基于视觉技术和Mask R-CNN的法兰盘表面缺陷检测研究

在法兰表面缺陷检测任务中,为了对缺陷进行精准定位和分类,根据缺陷位置和类别综合判定法兰是否符合特定标准的质量要求,结合缺陷特征和相应标准,提出一种基于视觉技术和Mask R-CNN的法兰表面缺陷检测与评估方法。依据法兰的适用原则和缺陷判定标准对法兰表面进行区域划分。通过搭建图像采集平台,采集图像并对其进行预处理操作后添加至网络训练集中。采用Mask R-CNN作为缺陷检测网络的基本框架,结合法兰表面缺陷特点改进Mask R-CNN骨干网络和颈部网络,并对网络性能进行验证。最后,根据检测标准,使用边缘检测算法对模型检测结果进行复检。结果表明：改进后的方法能够实现精确的定位并进行质量评估,满足法兰表面缺陷检测的要求。     

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。     

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。     

基于多任务特征层共享的表面缺陷检测

在基于卷积神经网络的工业表面缺陷检测中,往往将缺陷检测任务视为单任务进行学习.针对单任务学习数据来源单一、样本量缺乏的问题,提出了一种基于多任务特征层共享的表面缺陷检测方法(Feature-shared Multi-task Network,FSMTNet).该方法首先对原图像数据分别进行高斯滤波和canny算子边缘提...     

基于机器视觉的线缆表面缺陷快速检测算法研究

利用机器视觉技术检测线缆表面缺陷时,检测时间长、漏检率高。为此,提出一种基于机器视觉的线缆表面缺陷快速检测算法。通过引入CV-Kmeans区域分类算法建立自适应滤波窗口改进高斯滤波算法,在此基础上建立自适应模板,然后计算原图像与模板的Pearson(皮尔逊)相关系数快速判断图像是否含有缺陷。对含有缺陷的图像进行模板与原图差分,最后对差分所得到的图像用自适应阈值分割法提取缺陷。实验表明,算法可有效识别缺陷并减少检测时间,漏检率为3.22%,满足线缆生产需求。     

基于改进Otsu算法的游标卡尺缝隙检测

工业检测过程中,根据分辨率的高低,采集的图像分为加工纹理清晰和模糊两种情况。提出一种基于改进Otsu算法的游标卡尺卡爪缝隙检测方法,基于四叉树理论解决目标像素点较少时Otsu算法效果不好的问题。高分辨率图像下的游标卡尺表面纹理清晰,难以区分纹理特征和缝隙特征。为解决此问题,对采集的缝隙图像进行预处理,利用改进Otsu计算其阈值,进行边缘检测、缝隙特征提取和直线拟合,以完成对游标卡尺缝隙的自动检测和准确识别。建立一套实验装置,利用纹理清晰的缝隙图像验证所提缝隙检测方法的有效性。结果表明：该算法可以实现对缝隙边缘的精确自动提取和检测,同时单张图片的检测时间约为400 ms,满足工业实时检测的要求。     

基于超声散射法的微小缺陷及近表面缺陷的检测

针对常规超声检测法存在对(?)1.0 mm以下的微小缺陷漏检及近表面检测存在盲区的问题,提出一种超声垂直发射背向散射的检测方法。分析了散射模式的声场传播特性,阐明了该模式的检测原理。通过对不同类型和尺寸的人工缺陷检测,分析了该散射方法的检测信号、检测灵敏度及成像图形;通过有限元分析,对散射波声场分布的可靠性进行了验证。结果表明,超声散射法能够识别常规超声检测方法容易漏检的微小缺陷及无法辨别的近表面缺陷,可有效检测(?)0.4 mm的微小缺陷及埋藏深度1.0 mm的近表面缺陷。     

基于改进YOLO v3的轴承端面缺陷检测算法

为提高轴承端面缺陷检测的速度以及检测精度,提出一种基于改进YOLO v3的轴承端面缺陷检测算法。首先,对图像数据集进行数据增强处理以防止产生过拟合现象;其次,通过改进K-means聚类算法重新聚类出目标检测的Anchor Boxes,并引入SKNet注意力机制模块对原网络结构以及输出层结构进行改进;最后对改进的YOLO v3算法进行实验验证,并与原YOLO v3算法进行对比分析。结果表明,改进后的YOLO v3算法相比原YOLO v3算法对轴承端面缺陷检测的mAP值提升了7.03%,检测速度提升了34.7 帧/s,验证了改进算法的有效性。     

基于Faster R-CNN的刨花板表面缺陷检测研究

为了克服刨花板表面缺陷人工目视检测的局限性,实现对多种缺陷准确、实时检测,提出一种基于Faster R-CNN的检测方法。运用从工厂生产现场获取的各种表面缺陷图,制作成一个包含3566张刨花板表面缺陷图像数据集,其中主要包括胶块、水印、砂痕、杂物、粗刨花5种缺陷类型。通过用该数据集对Faster R-CNN在ZF、VGG16和ResNet101不同特征提取网络下的不同锚点(Anchor)设置模型分别进行训练、验证和测试,并对比了不同参数对检测精度的影响。结果显示,该方法能有效检测刨花板表面缺陷,且模型在ResNet101作为特征提取网络时准确率最高。在对训练好的Faster R-CNN模型的鲁棒性进行评估和验证中,模型对122张新图像的5种缺陷类型进行检测,测试的5种缺陷类型识别率分别为92.31%、91.84%、90.57%、96.88%和95.24%,平均检测率为93.37%,测试结果表明该方法能为基于机器视觉刨花板表面缺陷检测系统提供良好支撑。     

基于YOLOX-Nano网络的废旧产品螺钉检测方法研究

拆卸目标的自动检测是自动化拆卸的关键。针对基于深层神经网络算法的拆卸目标自动检测算法参数量大,导致的模型部署困难等问题,提出基于轻量级的YOLOX-Nano网络的目标组件智能检测方法。以十字螺钉为对象,构建数据集;提出基于迁移学习的YOLOX-Nano网络训练方法,基于试验法分析目标框回归损失和目标置信度损失对网络检测精度的影响规律,确定了最优的目标框回归损失和目标置信度损失组合,实现了网络检测精度的优化。最后,以某品牌插排为案例,对所提方法进行了实验验证。结果表明：使用轻量级网络实现十字螺钉检测,不仅得到了较为理想的检测效果,也大量减少了模型的部署时间,同时也为部署其他目标检测的轻量级网络提供了实验基础。     

基于机器视觉的线缆表面缺陷检测系统设计与算法研究

针对相关行业对线缆表面质量检测的需求和人工检测方法的不足,提出一套基于机器视觉的线缆表面缺陷实时检测系统的设计方案。设计了满足工业生产线条件的视觉硬件设备,用于采集优质的线缆图像。在图像处理算法中,改进行灰度均值法实现了复杂环境下图像线缆区域的提取;改进双边滤波建立背景并与原缺陷图像差分实现了缺陷信息的分割。通过对300张存在小孔、划痕、绝缘皮破损等线缆缺陷图像进行检测试验,结果表明:该算法检测准确率高于96.3%。     

近表面缺陷的超声TOFDR和TOFDW检测

针对超声TOFD方法存在近表面检测盲区同题,提出了基于二次波的综合超声衍射反射回波方法(TOFDR)和缺陷W衍射反射方法(TOFDW)的检测模式.分析了TOFDR和TOFDW检测方法的超声传播特性,阐明了2种方法的检测原理,研究了它们的近表面理论检测能力.对于TOFDR检测方法,缺陷越近表面,D扫图像分辨特征越好.对于TOFDW检测方法,总体分辨能力大于TOFDR方法,但对于特别浅的近表面缺陷,声波难以识别,而将这2种检测方法综合应用,通过调整检测工艺参数可对近表面缺陷进行识别.通过对人工缺陷试样的检测,研究了综合2种方法结合条件的新检测模式的信号图像特征以及检测灵敏度,2种检测方法结合产生的D扫图像能很好的发现埋藏深度为1mm的缺陷.     

基于计算机视觉的铁轨表面缺陷检测系统

计算机视觉技术是计算机科学的一个重要分支,它涉及到图像处理、模式识别、人工智能、光学等多个领域。基于计算机视觉技术的基本理论,设计了铁轨表面缺陷检测的软硬件平台,并运用该方案对铁路现场采集到的铁轨缺陷图像进行处理。试验结果表明,该方案能够正确识别出铁轨表面缺陷的大小和位置,具有一定的实用价值。     

基于机器视觉的热转印胶片缺陷检测

为了解决热转印胶片在生产中存在的若干种缺陷问题,并替换当前较为低效且可靠性低的人工检测方法,提出了一种基于机器视觉的热转印胶片的缺陷检测方法。首先介绍缺陷检测系统的整体构成,然后重点研究了其中的视觉算法流程,包括了通过仿射变换、图像配准等方式进行的目标区域定位,通过改进的ViBe算法、形态学处理等方法进行的图像缺陷检测。最后用包含了合格品胶片与各种缺陷的不合格品胶片样本集合进行实验检测,实验表明,算法缺陷检测能力良好,达到0.5%的漏检率和0.6%的误检率,平均检测耗时为663ms,满足检测速度需求。