卷积神经网络在无纺布缺陷分类检测中的应用

目的针对传统无纺布缺陷分类检测中人工依赖性强、效率低等问题,提出一种能够满足工厂要求的卷积神经网络分类检测方法。方法首先建立包括脏点、褶皱、断裂、缺纱和无缺陷等5种共计7万张无纺布图像样本库,其次构造一个具有不同神经元个数的卷积层和池化层的神经网络,然后采用反向传播算法逐层更新权值,通过梯度下降法最小化损失函数,最后利用Softmax分类器实现无纺布的缺陷分类检测。结果构建了12层的卷积神经网络,通过2万张样本进行测试实验,无缺陷样本准确率可以达到100%,缺陷样本分类准确率均在95%以上,检测时间在35 ms以内。结论该方法能够满足工业生产线中对于无纺布缺陷实时分类检测的要求。     

应用卷积神经网络的锂电池极片涂布缺陷分类

目的 针对锂电池极片涂布缺陷种类多,传统方法分类检测精度不高,以及人工依赖性强等问题,提出一种基于卷积神经网络的锂电池极片涂布缺陷自动分类算法。方法 首先对网络结构以及模型参数进行优化,接着在网络中加入跳跃连接结构,将空洞卷积提取到的多尺度特征与高层特征进行融合以获取更多缺陷特征,并采用LeakyReLU(Leaky Rectified Linear Unit)激活函数保留图像中的负值特征信息,最后通过构建的数据集训练模型,实现锂电池极片涂布缺陷的准确分类。结果 实验结果表明,当前方法识别准确率能够达到99.34%,平均检测时间为51ms。结论 改进后的方法能够准确分类出锂电池极片18种涂布缺陷,满足工业生产中实时分类检测的要求。     

卷积神经网络在印刷品缺陷检测的应用

目的 为了改善传统机器检测印刷产品缺陷存在误费率高的不足。方法 提出以卷积神经网络为控制核心的印刷品缺陷检测系统。设计可在实际检测中应用的卷积神经网络,设计在线印刷质量检测系统的硬件结构。结果 对结构相同而训练次数、学习率不同的卷积神经网络进行了缺陷检测的性能对比,验证了该卷积神经网络在学习率小于0.01时,可以获得较好的识别效果;在学习率大于0.05时,网络不容易收敛。网络训练次数越多,精度越高,相应的训练时间也较长。在满足快速性和精确度的条件下,确定了适应某印刷品的缺陷检验网络训练次数为50,学习率为0.005,此时的识别率为90%。结论 经过实验证明,该检测系统具有良好的缺陷识别能力,缺陷类型的分类准确率较高。该系统具有一定的实用价值。     

基于深度学习的工业自动化包装缺陷检测方法

目的针对目前工业自动化生产中基于人工特征提取的包装缺陷检测方法复杂、专业知识要求高、通用性差、在多目标和复杂背景下难以应用等问题,研究基于深度学习的实时包装缺陷检测方法。方法在样本数据较少的情况下,提出一种基于深度学习的Inception-V3图像分类算法和YOLO-V3目标检测算法相结合的缺陷检测方法,并设计完整的基于计算机视觉的在线包装缺陷检测系统。结果实验结果显示,该方法的识别准确率为99.49%,方差为0.0000506,只使用Inception-V3算法的准确率为97.70%,方差为0.000251。结论相比一般基于人工特征提取的包装缺陷检测方法,避免了复杂的特征提取过程。相比只应用图像分类算法进行包装缺陷检测,该方法在包装缺陷区域占比较小的情况下能较明显地提高包装缺陷检测精度和稳定性,在复杂检测背景和多目标场景中体现优势。该缺陷检测系统和检测方法可以很容易地迁移到其他类似在线检测问题上。     

热轧重轨表面缺陷在线检测识别的关键技术研究

目前热轧重轨表面缺陷检测速度慢、精度低。为此,提出了一种基于机器视觉的热轧重轨表面缺陷在线检测系统。分析了过暗过曝区域交叠融合法与图像像素线互相关校验法两种方法提取特征缺陷等关键技术,并对模糊脉冲神经网络的表面缺陷分类效果进行了研究。实际应用证明,采用上述机器视觉的检测关键技术对热轧重轨表面进行缺陷检测识别,较大提高了检测速度和精度,且检测正确率在90%以上。     

基于多对象匹配与融合字符特征的印刷质量检验方法

目的 为了增强字符配准对字符位姿变化的鲁棒性和识别能力,以及印刷质量检验精度和缺陷类型分析对不同字符产品的自适应性,提出一种基于多对象匹配与融合字符特征的印刷质量检验方法。方法 采用多张合格字符样品图像进行模板构建;借助多对象匹配来配准多个待检验的字符,消除字符位姿的变化对字符配准的影响;进行逐像素的比对,检验字符区域的质量;利用灰度阈值分割以及Sobel边缘检测,将字符区域分成3个待检验的局部特征区域：边缘、前景、后景;进而获取边缘完整性,前景面积和灰度,背景面积和灰度这些显著的字符特征,由多张字符样品训练每个特征的自适应的合格范围;将其组合,形成融合字符特征,分析缺陷的类型。结果 测试数据表明,针对不同种类、不同精度要求的字符产品,所提方法对于字符质量的判断准确率达到100%,对缺陷类型的分类准确率保持在84.2%以上。结论 所提字符质量检验方法拥有良好的鲁棒性与自适应性,在包装、印刷等行业具备较高的应用价值。     

基于模板匹配的啤酒箱印刷质量检测方案

目的快速且精准地检测啤酒箱常见的印刷缺陷。方法以啤酒箱面纸为检测目标,通过提取模板图像中形状和灰度值信息构建差异模型的模板匹配方法,对啤酒箱印刷中常见的缺陷特征进行检测,根据检测结果判断印刷质量是否合格,并通过检测验证实验对质量检测方案的效果进行评估。结果通过对所采集的500张图像进行检测实验并统计结果,该方法的平均准确率达到96.18%,漏检率小于0.9%,误判率为3.08%,平均检测耗时低于10 ms。结论使用该方法对啤酒箱面纸这类胶印制品进行质量检测的效果优秀且稳定,可以对细小划痕等高精度要求的缺陷进行精准检测,而且检测速度也快于其他方法。     

修剪型神经网络在锚杆锚固缺陷识别中的应用

锚杆在桥梁、隧道、建筑等方面应用越来越广泛。在施工的过程中,由于地质条件、材料和施工等因素的影响,锚固系统会产生许多缺陷。这些缺陷都会对锚杆的寿命和安全性能造成影响,所以对锚杆的缺陷识别是一项很有价值的研究。人工神经网络作为一个智能的分类器,可以对锚杆的缺陷进行识别分类,提出一种自适应阈值前馈神经网络修剪算法,其实质是通过判断隐含层神经元在学习过程中对输出的贡献值,利用显著性指数作为指标来删除网络中的冗余节点,实现网络结构的动态优化调整。结果表明,该方法能够降低网络结构的复杂度,同时提高了锚杆缺陷分类识别的精度。     

基于多域多尺度深度特征自适应融合的焊缝缺陷检测研究EI北大核心CSCD

针对焊缝缺陷检测信号信息丰富度低、深度网络架构人工依赖性强等问题,开展基于多域多尺度深度特征自适应融合的焊缝缺陷检测研究。构建时域数据集并衍生至实数域与复数域中,丰富检测信号的特征表达;设计多域信息融合模型,充分融合特征域信息;提出面向卷积神经网络多维超参数自寻优的模型优化策略,提高模型的效率和性能。试验表明,所提方法对五类焊缝缺陷识别准确率为96.54%,能够在提升识别准确率同时保持较少的参数量和计算消耗,具有较强的实用性和泛化性。     

卷烟包装外观缺陷数据集构建及深度学习检测技术研究

目的 为了提升烟包缺陷检测的准确率,构建卷烟包装外观缺陷识别基准数据集,并开展主流深度学习模型在卷烟包装外观缺陷智能检测中的应用研究。方法 首先,从生产运行中的ZB45型细支烟硬盒包装机组采集缺陷图像,经过人工审核与筛选后获取典型的缺陷数据。然后,根据缺陷的特征与成因,将缺陷数据划分为23个类别,并逐一进行目标检测框标注。最终,形成了包含13 000余张缺陷图像的卷烟包装外观缺陷识别基准数据集,并针对烟包缺陷识别、缺陷分类、目标检测、模型迁移4项任务开展实验。结果 结果表明,数据集能够满足高准确率深度学习模型的训练需求;通过模型迁移,能够利用该数据集大幅提高不同牌号卷烟的缺陷检测效果;DenseNet模型在烟包缺陷识别与缺陷分类任务上表现较好,准确率分别达到93.70%和95.43%,YOLOv5模型在缺陷目标检测任务上mAP@0.5值达到了96.61%。结论 该数据集能够作为烟包缺陷检测领域的基准数据集,研究成果将进一步支撑卷烟包装领域的数据应用与数字化转型。     

基于增强的低对比度印品缺陷的识别技术研究

目的 针对当前印刷缺陷检测系统中存在的低对比度印刷缺陷检测精度不高等问题,基于HSV颜色空间,提出一种增强的低对比度印刷缺陷识别方法。方法 首先,将标准样张图像与采集到的印刷图像由RGB颜色空间转换到HSV颜色空间,并提取视觉上变化敏感的亮度分量V作为待检测对象;其次,将对比度受限的局部直方图均衡（CLAHE）与数学形态学相结合,来增强显现待检测图像中的缺陷;再次,使用连通域分析方法来获取缺陷的面积、周长、离心率、长宽比和圆形度等5种特征信息,并以此建立15个特征模型;最后,构建基于PNN的印刷缺陷识别神经网络,并在Matlab中实现对低对比度印刷缺陷的识别。结果 15个模型的平均耗时为475 ms,都控制在毫秒级别,满足了现代印刷缺陷检测对于实时性的要求。其中模型2的测试正确率为95%,能够识别污点等点缺陷,模型3和模型12的测试正确率为93%和93.3%,能够识别刮痕等线缺陷,模型5的测试正确率为93.1%,能够识别墨迹等面缺陷,且测试正确率高于基于BP神经网络的缺陷识别方法。结论 从缺陷检测的实时性和精确性上来讲,提出的方法能够对低对比度印刷缺陷进行实时和精确的检测。     

基于 DP 方法的印刷品图像检测技术研究

目的研究印刷品图像质量在线检测及反馈。方法利用机器视觉检测技术、数字图像处理技术,并基于DP方法对标准样张和有缺陷样张进行分割和匹配,根据图像不同的分辨率和所需检测精度来设计图像不同的分割方式,从而进行颜色信息的检测和分析,利用二级识别缺陷分类技术将缺陷进行分类,显示相应的缺陷类型,从而提高印品总体质量。结果与传统的印品质量检测相比,实现了对印刷质量检测的高速度和高精度的要求。结论基于DP方法结合缺陷特征,能够快速、准确地检测出印刷品缺陷。     

PSO-Gabor-CNN算法在印刷品套印缺陷的检测

目的二维Gabor滤波器含有多个参数,在印刷品套印缺陷检测中,二维Gabor滤波器使用不同参数增强图像特征的效果差别较大,为了获得二维Gabor在某印刷品套印缺陷检测下的优化参数。方法在印刷品套印缺陷检测中,提出一种PSO-Gabor-CNN算法,采用Sobel算子对印刷品图像进行边缘检测,以粒子群算法(PSO)对二维Gabor滤波器的中心最大频率kmax、带宽σ、模板窗口window进行参数寻优,处理后的图像与模板图像采用加权欧式距离进行评价。然后用优化后的Gabor滤波器对图像进行滤波,最后采用卷积神经网络(CNN)对印刷品套印缺陷进行检测和分类。结果通过粒子群算法,确定了二维Gabor中心最大频率kmax为6.0476、带宽σ为0.1444、模板窗口window为27×27取得最佳效果,此时加权欧式距离为1.1927×10-33。卷积神经网络经过70次训练的均方误差为0.0035,测试样本正确率为96.93%。该方法与无数据预处理的BP神经网络(BPNN)、Sobel预处理的BP神经网络(Sobel-BPNN)、无数据预处理的卷积神经网络(CNN)、Sobel预处理的卷积神经网络(Sobel-CNN)对比,表现出了较好的识别效果。结论该方法可以获取二维Gabor滤波器的较优参数,从而获得较好的滤波效果,将其应用于套印缺陷检测,具有一定的应用价值。     

基于改进YOLOv5的药用胶囊表面缺陷检测方法

目的 在质检过程中精确快速地检测到药用空心胶囊的表面缺陷。方法 基于YOLOv5算法,针对模型网络参数量大和对长距离依赖关系的学习能力较弱的问题,提出在主干网络部分引入GhostNet模块和坐标注意力机制,使网络有效捕捉数据位置信息和通道信息的关系。结果 实验结果表明,改进的网络结构能够在参数量下降为原来的57%的前提下,对药用胶囊表面的破损、印刷错误、孔洞、划痕、凹陷等5类缺陷的平均检测精度达到96.9%,相较于YOLOv5s提高了2.4个百分点,检测速度提升了12帧/s。结论 文中方法能够有效对药用胶囊表面缺陷进行分类和定位,提高缺陷检测的准确率。     

Algorithmic Scheme for Concurrent Detection and Classification of Printed Circuit Board Defects

An ideal printed circuit board (PCB) defect inspection system can detect defects and classify PCB defect types. Existing defect inspection technologies can identify defects but fail to classify all PCB defect types. This research thus proposes an algorithmic scheme that can detect and categorize all 14-known PCB defect types. In the proposed algorithmic scheme, fuzzy c-means clustering is used for image segmentation via image subtraction prior to defect detection. Arithmetic and logic operations, the circle hough transform (CHT), morphological reconstruction (MR), and connected component labeling (CCL) are used in defect classification. The algorithmic scheme achieves 100% defect detection and 99.05% defect classification accuracies. The novelty of this research lies in the concurrent use of CHT, MR, and CCL algorithms to accurately detect and classify all 14-known PCB defect types and determine the defect characteristics such as the location, area, and nature of defects. This information is helpful in electronic parts manufacturing for finding the root causes of PCB defects and appropriately adjusting the manufacturing process. Moreover, the algorithmic scheme can be integrated into machine vision to streamline the manufacturing process, improve the PCB quality, and lower the production cost.     

基于改进YOLOv5的试剂卡印刷缺陷检测算法

目的 针对试剂卡生产企业采用人工分选印刷缺陷的试剂卡存在效率低、成本高、易漏检的问题，提出一种基于深度神经网络YOLOv5s的改进试剂卡印刷缺陷检测算法YOLOv5s-EF。方法 通过图像预处理算法获得高质量的缺陷图像数据集，在YOLOv5s的主干特征提取网络中添加高效通道注意力（Efficient Channel Attention, ECA）机制，增强特征图中重要特征的表示能力；引入焦点损失函数（Focal Loss）来缓解正负样本不均衡的影响；结合印刷区域的定位结果，二次精确定位并构建方位特征向量，提出一种特征向量相似度匹配方法。结果 实验结果表明，本文提出的试剂卡印刷缺陷检测算法在测试集上的检测平均准确度可以达到97.3%，速度为22.6帧/s。结论 相较于其他网络模型，本文提出的方法可以实现对多种印刷缺陷的识别与定位，模型具有较好的检测速度和鲁棒性，有利于提高企业生产的智能化水平。     

Automatic defect inspection system of colour filters using Taguchi-based neural network

A coloured filter is a critical part of an LCD panel, especially to present a high quality colour display. At present, the defect detection of colour filters is conducted by manual inspection in the final product stage. However, poor detection efficiency and subjective judgment of manual inspection undermine accuracy. Therefore, this study applied image processing technology and the neural network to detect surface defects of colour filters in order to prevent losses arising from incorrect detection, lower production costs, and effectively improve yield. A back-propagation neural network (BPNN) classifier was selected to train the features. The results showed that the proposed method can be successfully applied in defect detection of colour filters to reduce artificial detection errors. In addition, the Taguchi method was used with BPNN to save time searching optimal learning parameters by the trial and error method, which achieves faster convergence, smaller convergent errors and better recognition rate. The results proved that the root-mean-square error (RMSE) of the Taguchi-based BPNN at final convergence is 0.000254, and recognition rate reaches 94%. Therefore, the proposed method has good effects in detecting the micro defects of a colour filter panel.     

基于改进YOLOv5的新材料地板表面缺陷检测研究

目的 提升质检过程中新材料地板的表面缺陷检测精度。方法 通过翻转、水平迁移和垂直迁移对采集到的缺陷图像进行扩充,构建新材料地板缺陷数据集。基于YOLOv5算法,增加一个预测头,使算法对微小缺陷更加敏感;其次在网络的特征融合层应用Swin Transformer模块,形成注意力机制预测头,提高网络特征提取效率;然后在网络主干末端加入SE模块,使网络提取有用的信息特征,提高模型精度。结果 实验结果表明,提出的新材料地板表面缺陷检测方法能够准确判别地板好坏,并能够识别出白色杂质、黑斑、边损、气泡胶等4类表面缺陷,各缺陷类型的平均精确均值为82.30%,比YOLOv5 Baseline提高了6.58%,相比其他典型目标检测算法也能够更准确和快速地识别地板表面缺陷。结论 通过改进的YOLOv5算法可以更准确地对地板表面缺陷进行分类与定位,从而大大提高工业质检效率。