Gabor滤波器在自动视觉表面检测中的应用

提出一种基于Gabor滤波器的纹理表面缺陷检测方法。该方法基于Gabor滤波方案，计算纹理图像与某一Gabor滤波器卷积能量输出响应。选择Gabor滤波器的最优参数，采用简单的二值化技术将纹理差别转化为可检测的滤波器输出。纺织品、铣磨面等结构纹理和皮革、砂纸等随机纹理的实验结果证明了该方法在识别不可定量测量缺陷方面的有效性。     

木材表面图像的缺陷分割与类型识别方法

为了识别死节、活节、虫眼三种木材表面缺陷,采用Gabor变换和模糊C均值聚类进行缺陷分割;采用数学形态学运算对分割图像进行了后处理;获取了木材缺陷区域的12维频率能量参数和2维几何形状参数;用支持向量机进行木材表面缺陷类型的识别。采用Gabor变换和模糊C均值聚类方法对死节、活节、虫眼三种木材表面缺陷的分割精度都达到94%以上,支持向量机对缺陷类型分类正确率达到93%以上,这说明本文的方法对木材表面缺陷的分割与识别是可行的。     

基于机器学习的灭弧栅片表面缺陷检测方法

为了实现金属灭弧栅片表面缺陷的自动检测,引入了CCD成像系统并提出了表面缺陷检测三步法:第一步对原始图像进行去噪,第二步将灭弧栅片从背景中提取出来,第三步利用分类器对缺陷产品进行识别。提出了基于方向梯度直方图(HOG)与Gabor特征结合的图像特征提取算法,与传统的基于HOG和基于Gabor特征的算法相比,多分类支持向量机的训练结果显示本方法识别率分别提高了13%和7%。通过设计卷积神经网络框架对缺陷产品进行检测,结果显示正确率为93%。在二分类情况下对支持向量机和卷积神经网络的分类性能进行了比较,结果显示卷积神经网络性能更优。     

基于多尺度卷积神经网络的玻璃表面缺陷检测方法

卷积神经网络在图像处理中的应用越来越广泛,针对图像处理技术手段在玻璃生产表面缺陷有效检验,分析了基于卷积神经网络的机器学习原理与方法,提出一种基于多尺度卷积神经网络(MCNN)图像识别模型,将MCNN模型在玻璃表面缺陷识别中进行应用实践研究,通过采用不同的算法模型和分类器进行对比实验,并运用混淆矩阵和F1值来评估学习器性能。实验结果表明,所设计的MCNN均比传统卷积神经网络(CNN)识别方法的准确率较高,尤其是在划痕缺陷和杂质缺陷图像的识别准确率上提高了较大的幅度,F1值均提高了5.0%以上,在玻璃缺陷检测的整体识别准确率上较优。     

基于卷积神经网络带标记的钢板表面缺陷检测CSCD

钢铁产业是制造业的支柱性产业,由于生产中工况多样性,导致钢板表面的缺陷种类繁多,难以检测,且检测准确率及效率不理想。针对小样本的钢板表面缺陷分类检测问题,提出基于卷积神经网络带标记的钢板表面缺陷检测系统。首先,灯源采用狭缝式结构,相机选用为TEDTECH公司型号TM-C1582U,采集钢板表面缺陷样本,共计1300个样本,分为六类缺陷,即色差、孔洞、划痕、磷化斑、针眼、白斑,将其分为训练集和测试集;其次,对钢板缺陷图像进行双边滤波去噪;然后,使用canny算子进行边缘检测;再次,选用特征灰度值一阶概率分布P(i)和x方向投影特征P(x),求其特征向量,在图像边缘处补一列或者几列特征向量;最后,设计卷积神经网络结构,采用3个卷积层和1个6类别softmax输出层,其中激活函数为ReLU函数。由开源框架Caffe和其C++接口实现,分别对其训练,最高准确率可达93.20%、95.69%、97.35%、94.52%、94.15%、95.71%。     

软性电路板金面缺陷的无监督检测

为实现软性电路板(FPC)金面缺陷的准确自动检测,提出了一种以Gabor滤波器和Mean Shift聚类算法为基础的完全无监督FPC金面缺陷检测方法。首先,用Gabor滤波器组、数学形态学与Gaussian平滑处理抽取待检测图像的多维特征;然后,使用主元分析(PCA)将每个像素特征维数降为二维;最后,使用Mean Shift方法对二维特征数据进行聚类并将聚类的结果转化为二值图像。整个检测过程无需预先知道缺陷的类型和FPC金面的纹理类型,是一种完全无监督的检测方法。对带有各种缺陷的FPC金面进行检测实验,结果表明,该方法能够准确地将各类缺陷区域从背景区域中分离出来,具有自动缺陷检测系统所要求的识别能力强、稳定性高的特点。     

基于优化Gabor滤波器的牙膏管肩缺陷检测

针对现有牙膏管肩缺陷检测方法效率低、准确率不高,难以满足产品验收标准的难题进行了研究,提出一种新的缺陷检测方法。本方法首先利用一种改进的最小二乘圆拟合的方法分割出待检测区域;然后采用基于优化Gabor滤波器的缺陷检测方法,通过引入评价函数以确定最佳滤波器参数,准确提取出缺陷位置。实验表明,通过对比传统的Gabor检测算法,证明该算法能较为准确地检测出牙膏管肩缺陷位置,且具有良好的检测速度及精度。     

基于卷积神经网络带标记的钢板表面缺陷检测

钢铁产业是制造业的支柱性产业,由于生产中工况多样性,导致钢板表面的缺陷种类繁多,难以检测,且检测准确率及效率不理想。针对小样本的钢板表面缺陷分类检测问题,提出基于卷积神经网络带标记的钢板表面缺陷检测系统。首先,灯源采用狭缝式结构,相机选用为TEDTECH公司型号TM-C1582U,采集钢板表面缺陷样本,共计1300个样本,分为六类缺陷,即色差、孔洞、划痕、磷化斑、针眼、白斑,将其分为训练集和测试集;其次,对钢板缺陷图像进行双边滤波去噪;然后,使用canny算子进行边缘检测;再次,选用特征灰度值一阶概率分布P(i)和x方向投影特征P(x),求其特征向量,在图像边缘处补一列或者几列特征向量;最后,设计卷积神经网络结构,采用3个卷积层和1个6类别softmax输出层,其中激活函数为ReLU函数。由开源框架Caffe和其C++接口实现,分别对其训练,最高准确率可达93.20%、95.69%、97.35%、94.52%、94.15%、95.71%。     

PNN与BP神经网络在钢板表面缺陷分类中的应用研究

针对钢板表面缺陷图像信噪比低、特征复杂多变而导致现有的钢板表面缺陷模式识别与分类方法存在的实时性差、精度低、适应性差等问题,研究了基于人工神经网络的分类器,以实现对钢板表面缺陷进行实时有效的分类识别。根据钢板表面划痕、麻点、夹杂、锈蚀、辊印5类缺陷的特点,从缺陷图像信号中提取了几何特征、灰度特征和Hu矩特征,选取了能够比较全面表征缺陷特征信息的13维特征向量作为神经网络的输入数据,为缺陷识别和分类提供了依据。分别构造了概率神经网络PNN和BP神经网络分类器,对钢板的表面缺陷进行了分类测试,并对测试结果进行了对比分析。实验结果表明,PNN和BP神经网络的识别率分别为87%和81%。PNN在识别准确率、训练速度、追加样本的能力等几方面的综合性能优于BP神经网络。     

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...     

基于改进型卷积网络的汽车高度调节器缺陷检测方法

针对汽车高度调节器生产中人工缺陷检测耗时耗力和传统诊断方法适用性差的问题,运用深度学习提出了一种基于改进型卷积网络的智能检测方法。该方法利用卷积网络提取特征,并且在网络中加入残差网络结构和可分离卷积,在深层网络提高精度的同时减少了参数计算量。改进的结构主要运用卷积层、池化层、批标准化层、softmax层,并引入残差网络结构和可分离卷积。实验结果表明,基于改进型卷积网络的汽车高度调节器缺陷检测方法有着良好的识别精度,在汽车高度调节器多类缺陷的检测实验中,准确率均在99%以上,优于经典卷积网络VGG16。     

基于视觉的铁路货车滚动轴承表面缺陷分类研究

用CCD代替人眼对轴承表面缺陷进行图像采集,采用卷积滤波与开、闭运算相结合的图像处理方法,有效去除了缺陷周围边缘点的干扰。在提取传统特征基础上增加了压缩度、线度、距离极值比、NMI特征和不变矩等特征量,增强了缺陷分类的依据;对BP神经网络的输入矩阵和归一化方法的改进,提高了神经网络的记忆能力及识别速度;通过试验对缺陷分类系统识别结果进行检测,确定了该系统的可靠性。     

大数据库不均衡数据碎片分类识别算法分析

传统数据碎片识别算法中,往往会忽略碎片自有属性对算法的影响,导致数据碎片识别准确率较低,为此提出了基于LRFU策略与关联分析方法相结合的大数据库不均衡数据碎片分类识别算法。通过重采样算法进行不均衡数据碎片升降采样;依据采样结果对滤波器系数中间补零,并用滤波器组对不均衡数据碎片进行卷积计算,通过对卷积计算结果进行重构处理,获取碎片特征序列。采用类似分段线性法处理序列中汇聚程度较高的不均衡数据碎片,实现碎片分类,通过目标函数转换,并结合扩张矩阵得到适应度函数;采用LRFU策略对适应度函数进行调度,融合关联分析方法,确定不均衡数据碎片属性值,实现不均衡数据碎片的识别。实验结果表明,采用改进方法进行不均衡数据碎片分类识别时,其适应度值与识别准确率较高,具有一定的优势。     

基于机器视觉的手机壳表面划痕缺陷检测

为解决手机壳表面缺陷检测采用人工目测法,检测效率低且漏检率高的问题,采用基于机器视觉的手机壳表面缺陷检测方法,实现产品缺陷的自动化检测。该检测算法采用八方向的各向异性高斯方向导数滤波器对图像进行卷积滤波,并做归一化处理;利用滤波结果图的直方图确定自适应阈值,并进行阈值分割;对图像进行细化后通过划痕缺陷长度特征进行缺陷的提取。实验结果表明,该划痕缺陷检测算法能够实现长度0.5 mm以上的划痕缺陷的准确检测,检测效率高,满足企业的实际需求。     

基于Gabor滤波与分水岭算法的锂电池极片缺陷检测方法

针对锂电池极片在人工检测过程中检测效率低、检测错误率高等问题,提出一种基于自适应Gabor滤波与分水岭算法融合的锂电池极片缺陷检测方法。首先通过改进传统Gabor滤波器的参数,实现Gabor滤波器的自适应,得到滤除背景的缺陷图像;然后使用大津法对图像二值化处理,利用分水岭算法进行边缘提取;最后利用分割出的边缘获得坐标,利用最小外接矩形法实现缺陷检测。结果表明,相对于区域生长算法和改进的Canny算法,本文方法的抗干扰能力得到提高,可以对锂电池极片漏金属、黑斑、白斑、脱碳、条痕等多种缺陷进行较为精确地检测,能够用于锂电池极片缺陷的自动化检测。     

基于深度学习的航空发动机齿轮故障诊断

传统的机械故障诊断方法需要将采集的故障波信号进行信号处理,再结合神经网络进行特征提取与分类,不仅流程复杂、耗费时间,而且识别准确率不高。针对此问题,采用一维卷积神经网络（one dimensional convolutional neural network,简称1D?CNN）对试验获取的某航空发动机的齿轮故障振动数据进行特征提取与分类,建立齿轮故障一维卷积神经网络模型,对航空发动机轴承进行故障诊断。试验与分析结果表明：采用该神经网络模型对齿轮进行分类,其准确率可达80%,相较于采用传统的前馈神经网络63.9%的识别准确率,提高了15.07%;与采用支持向量机（support vector machine ,简称SVM）对故障进行分类识别相比,该方法准确率提高了15.89%。本方法能够直接将波形振动信号作为输入,通过卷积、池化等一系列操作,输出最后的分类结果,简化了传统方法先进行信号处理再通过机器学习诊断的步骤,为航空发动机故障诊断提供一种可行方法。     

基于谱相关密度和卷积神经网络的轴承故障诊断

针对短时傅里叶变换、小波变换等传统信号预处理方法易受噪声影响的问题,提出了一种基于谱相关密度和卷积神经网络的滚动轴承故障诊断方法(SCD-CNN)。首先,利用谱相关密度能有效抑制高斯噪声的优点,将一维振动信号转变为二维谱相关密度图,用于提高卷积神经网络输入信号的信噪比;然后,将谱相关密度图作为卷积神经网络的输入,通过二维卷积神经网络实现轴承故障特征提取和分类;最后,利用凯斯西储大学标准轴承数据集的试验结果表明,相对于STFT-CNN和CWT-CNN模型,SCD-CNN模型具有更高的故障识别准确率(98.97%)。另外,对SCD-CNN模型的诊断结果,不同阶段的特征图以及分类过程进行了可视化分析,探讨了SCD-CNN模型故障识别准确率提高的深层次原因。     

基于卷积神经网络的带钢表面缺陷检测算法

针对现有带钢表面缺陷检测方法准确率低、特征泛化性不强、参数多、识别速度慢等缺陷,基于卷积神经网络,采用DenseNet网络的密集连接算法解决梯度消失和梯度爆炸问题,堆叠式空洞卷积扩大卷积核感受野,深度可分离卷积减少网络参数量,提出一种用于带钢表面陷检测的深度神经网络模型Ds-DenseNet算法。以NEU带钢表面缺陷数据集为基础缺陷样本,加入正样本,并对其进行数据增强操作,创建AUG-NEU数据集,本算法在AUG-NEU数据集上的测试精度高达99.38%,参数量为117958,仅占DenseNet121和ResNet50参数量的1.7%和0.5%,识别速度高达1.3ms/frame,分别是DenseNet121、ResNet50识别速度的2.3倍和2倍,完全可以满足带钢生产线实时检测的需求。     

改进的AlexNet模型在玻壳缺陷检测中的应用

针对玻壳缺陷检测的准确率不高的问题,提出了一种基于改进AlexNet的玻壳缺陷检测模型。该模型在AlexNet网络模型基础上,引入1×1卷积、通道洗牌卷积层和残差网络,优化了模型的结构。将改进前后的模型分别对玻壳图库随机抽取的玻壳图片进行测试,实验结果表明:改进后的模型能够识别玻壳残缝、破口、污点等缺陷,识别准确率达95.9%。改进后的AlexNet模型在玻壳缺陷识别具有良好的适用性。     

基于Gabor特征和Adaboost的人脸表情识别

为了改善人脸表情的识别率,提高分类器的性能,通过提取人脸表情图像的Gabor特征,再结合Adaboost算法,从而进行人脸表情的识别（Facial expression recognition,FER）。利用Gabor滤波器是人脸表情特征提取的一个重要手段,Adaboost算法则将一系列的弱分类器组合,最终生成一个强分类器。对表情识别这个多类识别问题,采取1：1的办法来解决,总共产生k（k-1）/2（k为总类别数）个强分类器,将多个强分类器进行级联实现人脸表情的多类分类。实验结果表明,相对于其他识别方法如MVBoost算法等,这种方法的识别准确率有很大的提高。