一种新的冷轧带钢典型表面缺陷特征提取方法

针对冷轧带钢表面缺陷图像特征提取的特点,提出了基于类距离可分离性判据的混合特征提取方法。该方法以小波变换的L1范数特征和灰度共生矩阵二次统计特征为基础,运用基于类距离的可分离性判据原理提取出可分离性特征向量。对几种生产现场出现频率较高、危害严重的典型缺陷进行了计算机实验研究,实验结果表明,运用基于类距离可分离性判据的混合特征提取方法提取的特征向量具有较大的可分离性,很大程度上提高了特征的分类有效性,使缺陷识别取得了较高的正确识别率。     

基于混合染色体的带钢缺陷图像分类方法研究

为了保证带钢缺陷分类的实时性和准确性,提出了一种基于混合染色体的带钢缺陷图像分类方法。该方法不仅优化了支持向量机SVM中核函数参数、惩罚因子,并且对核函数、输入的特征向量进行了选择。除此之外,该方法融合了遗传算法和SVM,用遗传算法优化影响SVM的核函数参数、惩罚因子、输入特征和核函数;同时,用SVM建立的分类模型的分类准确率限制遗传算法的进化方向,彼此制约和促进,最终确定最优分类模型。实验结果表明,基于混合染色体的带钢缺陷图像分类方法建立的分类模型能实时、准确地对带钢缺陷图像进行分类。     

粗糙集理论的带钢表面缺陷图像的识别与分类

针对带钢表面的划伤、黑斑、翘皮、辊印、褶皱和压印6种典型缺陷,提取样本图像的灰度、纹理和几何形状特征等20维特征向量;给出粗糙集理论的关键技术,基于粗糙集理论构造带钢表面缺陷图像识别的决策表,对决策表进行属性约简,并直接从训练样本图像中导出决策规则;应用所获取的规则对带钢表面缺陷测试样本图像进行分类,并同BP算法进行对比,验证了基于粗糙集理论的分类识别算法的有效性。     

结合特征融合与分离的带钢表面缺陷检测方法

针对带钢表面缺陷检测缺少标注数据集和标注数据成本巨大的问题,提出一种改进的Softteacher模型。首先,改进FFRCNN网络,进一步融合图片的特征,以避免带钢表面缺陷检测数据集特征的丢失;其次,改进半监督伪标签生成规则,以提升伪标签的可靠性。实验结果显示,Softteacher模型检测效果优于其他半监督方法,基于Softteacher模型改进后的方法用于带钢表面缺陷检测时的准确度和平均准确率均值都更高。     

一种基于局部二进制模式的带钢表面缺陷初级检测方法

带钢表面缺陷检测是带钢质量控制的重要环节之一,但现有带钢表面缺陷自动检测方法在准确性和实时性上还难以满足工业现场需要。为了解决此问题,提出了一种基于局部二进制模式（LBP）的带钢表面缺陷的初级检测方法。该方法首先利用快速局部二进制模式算法计算图像中各像素点的LBP值;然后通过统计LBP直方图来获取图像中主要边缘点的信息,再将其与阈值进行比较,以确定带钢图像中表面缺陷的存在,并记录缺陷的位置。实验结果表明,该方法不仅在带钢表面缺陷的初级检测方面具有良好的准确性和实时性,而且其提取出的信息还具有结构的和统计的双重特性,可为后续缺陷分类提供重要依据。     

基于支持向量机的带钢表面缺陷识别研究

传统带钢生产采用人工目测的方法检测钢板的缺陷类型,检测结果的准确率对检测距离、检测人员的工作经验以及疲劳程度等具有一定的依赖性,这种人工目测方法效率较低。针对传统检测方法中存在的问题,运用支持向量机的优良分类性能,将其应用于带钢表面缺陷的识别研究。实验选用带钢生产现场采集的缺陷图像样本,分别采用支持向量机与决策树算法进行训练与识别,通过实验数据比较发现,支持向量机的sigmoid核与线性核算法要好于决策树算法。在相同的实验环境下,分别采用径向基核,多项式核,sigmoid核以及线性核算法进行训练与识别,通过训练时间的比较可以看出,线性核的训练时间明显较长,径向基核,多项式核与sigmoid核的训练速度相差不大。对比识别率可以发现,径向基核的识别率较好。     

一种基于目标特征挖掘的带钢缺陷图像分割方法

通过分析带钢图像,挖掘缺陷图像的特征,提出一种基于目标特征挖掘的带钢缺陷图像分割方法。首先,将采集的带钢缺陷图像进行中值滤波处理;然后,通过等分图像灰度范围所确定的一系列阈值对带钢图像进行预分割,通过挖掘带钢缺陷图像的特征,以特征因子作为任务驱动,找出特征值发生突变的区间;在此突变的区间内,再按照上述方法对带钢图像缺陷存在的区域进行细分,找出面积突变点,以此确定最佳阈值,通过最佳阈值进行带钢缺陷图像分割,得到特征子图;最后将若干特征子图融合,得到带钢缺陷图像分割结果。实验结果表明,将此方法应用于带钢缺陷图像分割过程中,能够完整有效地分割出带钢缺陷区域,为带钢缺陷的视觉在线检测提供了可能性。     

一种新的冷轧带钢表面缺陷图像模式识别方法

针对传统的方法在冷轧带钢表面缺陷图像模式识别中存在的问题,提出了基于小波变换和遗传算法的模式识别方法。结合国内实例,对四种典型冷轧带钢表面缺陷图像进行了实验研究,实验结果表明,该识别方法能够对冷轧带钢表面缺陷图像进行有效识别。另外,还对识别率与训练样本数量的关系进行了研究。     

基于神经网络的冷轧带钢表面缺陷检测

带钢表面缺陷是影响带钢质量的重要因素,对带钢进行表面缺陷检测对提高带钢质量具有重要意义。传统人工检测的方法往往不能得到令人满意的检测结果。为此,提出了采用基于前馈神经网络(FFN)的方法对在线带钢的表面缺陷进行检测,检测结果令人满意,表明了该方法的有效性。     

YOLOv8-VSC：一种轻量级的带钢表面缺陷检测算法

目前在带钢表面缺陷检测领域，通用的目标检测算法复杂度高、计算量庞大，而一些中小型企业负责检测的终端设备通常不具备较强的计算能力，计算资源有限，从而导致检测算法部署困难。为解决该问题，基于YOLOv8n目标检测框架，提出一种轻量级的带钢表面缺陷检测模型YOLOv8-VSC。该模型使用轻量级的VanillaNet网络作为骨干特征提取网络，通过减少不必要的分支结构降低模型的复杂度。同时，引入SPD模块在减少网络层数的同时加快模型的推理速度。为了进一步提升检测精度，在特征融合网络中，使用轻量级的上采样算子CARAFE，提高融合特征的质量和丰富度。最后，在NEU-DET数据集上进行大量实验，得到模型的参数量与计算量为1.96×106和6.0 GFLOPs，仅为基线的65.1%和74.1%,mAP达到80.8%，较基线提升1.8个百分点。此外，在铝材表面缺陷数据集和VOC2012数据集上的实验结果表明所提算法具有良好的鲁棒性。与先进的目标检测算法相比，所提算法在保证高检测精度的前提下需要的计算资源更少。     

带钢表面图像缺陷区域的分割方法

主要研究了一种适用于带钢表面图像的缺陷区域分割方法．首先,对传统的基于边缘检测和全局阈值的缺陷区域分割方法进行研究和比较,然后根据带钢表面缺陷图像的灰度特点,提出了一种基于灰度级形态学增强和自适应阈值的缺陷区域分割方法．采用本文方法对常见的带钢表面图像进行缺陷区域分割实验,结果表明本文方法的分割效果要优于传统的分割方法．因此,提出的基于灰度级形态学增强和自适应阈值的缺陷区域分割方法具有一定的实际应用价值．     

基于监督双限制连接Isomap算法的带钢表面缺陷图像分类方法

根据带钢表面缺陷图像具有复杂纹理结构、包含大量干扰信息、具备高维非线性几何结构等特点,本文提出基于监督双限制连接Isomap方法的带钢表面缺陷图像降维方法（dls-Isomap）.该方法以Isomap降维方法为基础,对其邻域图的连接方式进行K邻域（K-nearest neighbor,KNN）和ε-半径两个方面的限制性连接,并使用数据类别作为监督对类间邻域点进行扩展连接.针对多类Roll-swiss数据实验表明,dls-Isomap降维方法不仅能够在低维空间中完整嵌入所有数据点,而且能保持数据各类内和类间的几何结构,以及解决Isomap算法存在的“短路边”问题;针对带钢表面缺陷图像分类实验表明,基于dls-Isomap的新分类方法适合含水、油渍等干扰较多的带钢表面缺陷的分类任务,其中冷轧带钢5类缺陷识别率可以达78%.含水渍的热轧带钢缺陷识别率可以达到93%,其中水渍干扰图像的识别率达到97.6%.     

带钢表面缺陷图像的增强和分割方法

对带钢表面缺陷进行检测时,由于光照不均匀,将导致缺陷难以识别和分割.针对此问题,提出了改进的图像增强与分割方法.首先,利用自适应二维高斯函数对图像背景进行估计,并结合图像的像素运算均匀图像背景灰度;然后,采用灰度变换函数提高缺陷区域与背景的对比度,增强细节信息;最后,采用最大相关准则方法选取阈值对缺陷图像进行分割.实验...     

基于STMR-CNN的热轧带钢表面缺陷检测

为了提高工业热轧带钢表面缺陷检测的检测精度,将深度学习研究领域的前沿技术应用于带钢表面缺陷检测.提出了一种以Swin Transformer作为骨干特征提取网络,级联多阈值结构作为输出层的热轧带钢表面缺陷检测算法.将Transformer结构应用于带钢表面缺陷检测领域,与单纯基于卷积网络的深度学习目标检测算法相比,能够达到更加精确的检测效果.首先,使用Swin Transformer作为骨干特征提取网络代替常规的残差网络结构,增强特征网络对隐含在图像中的深层语义信息的摄取能力.其次设计多级联检测结构,设置逐级的IoU阈值,实现检测精度与阈值提升的权衡.最后使用柔性非极大值抑制(Soft-NMS)、FP16混合精度训练和SGD优化器等训练策略加速模型收敛和提升模型性能.实验结果表明:本文算法在工业热轧带钢数据集(NEU-DET)上相较于YOLOv3、YOLOF、DeformDetr、SSD512和SSDLit等深度学习算法都有更好的检测效果,在裂纹(crazing, Cr)、夹杂(inclusion, In)、斑块(patches, Pa)、麻点(pitted surface, PS)、...     

铁轨表面缺陷的视觉检测与识别算法

提出一种铁轨表面缺陷的视觉检测与识别算法。设计铁轨表面缺陷视觉检测与识别系统的总体结构,基于水平投影法提取铁轨表面区域,采用逻辑操作组合检测结果,使用 BP 神经网络进行缺陷分类。实验结果表明,该算法能准确地检测与识别铁轨表面的疤痕和波纹擦伤这2种缺陷,分类正确率分别达到99%和95%。     

基于复杂网络特性的带钢表面缺陷识别

针对带钢表面缺陷识别问题,提出一种基于动态演化复杂网络特性的特征描述方法, 这些特征同时具有位移、旋转不变性、大小不变性、较强的抗干扰能力和鲁棒性,为 缺陷识别提供良好的分类特征;为了提高分类器的效率,应用主成分分析法 (Principal component analysis, PCA) 对复杂网络特 征向量进行特征降维处理;采用最优有向无环图支持向量机 (Directed acyclic graph support vector machine, DAG-SVM)算法进行缺陷分类.结果表明该方法识别率高而且识别速度快.     

改进Mask R-CNN算法的带钢表面缺陷检测

在带钢的生产过程中可能会因为生产工艺的问题导致带钢表面出现缺陷,传统的带钢表面检测方法存在检测速度慢、检测精度低等问题.在计算机深度学习快速发展的今天,为实现带钢表面缺陷快速有效的检测,提出改进的掩码区域卷积神经网络(Mask R-CNN)算法,使用k-meansⅡ聚类算法改进区域建议网络(RPN)锚框生成方法;同时调...