带钢表面缺陷的一种在线检测识别算法研究

为了有效提高在线带钢表面缺陷检测的识别率和 实时性,提出了一种优化的量子粒子群-径向基函数 (QPSO-RBF)网络的带钢缺陷分类识别算法。首先采用加权模糊C-均值聚类(WFCM)算法确定 RBF网络隐含层参 数,算法对带钢缺陷特征数据出现的团状分布与疏散分布问题能够达到很好的聚类划 分,避免对特征数据集等划分的趋势;然后采用QPSO算法对RBF网络的参 数编码成粒子个体,在全局空间中动态地搜索最优适应值的RBF网络参数,提高了网络的 学习性能,并建立了带钢缺陷分类识别的专家知识库。实验结果表明:本文算法可以自动获 得较 优的网络结构,收敛速度快,对带钢缺陷的平均识别率为94.63%,平 均误识率为3.0%,对测试 样本的识别时间为4ms,小于生产线上每张图片的采集周期 10ms,因此,可以为高速生产线上的带钢表面缺陷在线实时检测提供了有利条件。     

基于改进YOLOv3算法的带钢表面缺陷检测

针对热轧带钢表面缺陷检测中存在的检测速度慢、检测精度低等问题,提出了一种改进的YOLOv3算法模型.使用加权K-means聚类算法来优化确定先验框参数,提高先验框（priors anchor）与特征图层（feature map）的匹配度;同时,调整YOLOv3算法的网络结构,融合浅层特征与深层特征,形成新的大尺度检测图层,提高网络对带钢表面缺陷的检测精度.实验结果表明,改进后的YOLOv3算法在NEU-DET数据集上平均精度均值达到了80%,较原有的YOLOv3算法提高了11%;同时检测速度保持在50fps,优于目前其它深度学习带钢表面缺陷检测算法.     

改进的RSF模型应用于带钢表面缺陷分割

可调拟合(Region Scalable Fitting, RSF)活动轮廓模型在分割带钢表面缺陷图像时易陷入局部最小值;此外,因引入高斯核函数导致边缘更加模糊而影响分割效果,针对这些问题,提出改进的RSF模型并应用于带钢表面缺陷分割。一方面,在RSF模型中引入局部灰度均值差异项作为新的拟合项,并且引入局部灰度方差差异代替原拟合项的参数,驱动曲线演化避免陷入局部最小值;另一方面,用双边滤波函数代替高斯核函数,避免对边缘模糊的缺陷造成二次模糊,同时更好地保护了边缘。在NEU带钢表面缺陷数据集上的仿真实验结果表明,改进的算法的分割效果和运行效率均优于其余3种模型,能够较快地准确分割出带钢表面缺陷,并且保留图像细节。     

基于轻量化YOLOv3的带钢表面缺陷检测方法

缺陷检测是带钢生产过程中不可缺少的工序,现有检测方法普遍存在检测精度较低、实时性差等问题。为解决上述问题,本文提出了一种基于轻量化YOLOv3的快速缺陷检测方法。MobileNetv2作为主干网络并用两个尺度的特征图进行输出,保证了网络模型的轻量化;将改进后的注意力模块融合进特征金字塔网络(feature pyramid network, FPN),同时结合空间金字塔池化模块(spatial pyramid pooling, SPP),以提高算法对缺陷的学习能力;使用K均值聚类算法获得更优的先验框,并且使用CIoU(complete-intersection over union)对损失函数进行优化,进一步提升网络性能。提出的方法在带钢缺陷数据集上检测速度为70.8 FPS;模型参数量为7.1 MB,仅为YOLOv3的3.02%。实验结果表明本文所提方法能够在保证精度的同时实现对缺陷的快速检测,具有良好的生产线部署能力。     

基于小波去噪与改进Canny算法的带钢表面缺陷检测

针对带钢表面图像亮度不均匀、对比度低以及缺陷种类多、形式复杂的问题,提出一种基于小波去噪与改进Canny算法的带钢表面缺陷检测算法。首先通过小波变换将原始图像分解,对低频分量采用改进的同态滤波提高亮度和对比度,对高频分量采用改进的阈值函数进行去噪,并通过小波重构得到增强图像。其次对传统Canny算法进行改进,通过改进的自适应加权中值滤波进行平滑,并增加梯度方向模板;然后采用迭代式最优阈值选择法与最大类间方差法来求取高低阈值,提高算法的自适应性。最后采用形态学处理对缺陷边缘填充,并去除干扰边缘及毛刺,得到带钢表面缺陷区域。实验结果表明,所提算法对带钢表面缺陷的检测效果较好、精度较高,适用于多种类型的带钢表面缺陷检测。     

基于优化BP神经网络激光超声表面缺陷识别

为了解决激光超声检测过程中定量识别表面缺陷深度较困难的问题,提出了一种粒子群(PSO)优化BP神经网络表面矩形缺陷深度定量识别方法.基于热弹机制,利用有限元软件COMSOL建立了利用激光超声检测含有表面缺陷铝材料的有限元模型,得到了脉冲激光照射下不同深度缺陷对应的透射波信号,提取透射波信号的时域峰值、中心频率、频域上3 dB带宽、上限截止频率和下限截止频率等多个变量作为神经网络的特征向量,建立了PSO-BP神经网络缺陷深度定量识别模型,实现了0.1～3 mm深度缺陷的定量识别.计算结果表明:经过粒子群算法优化后的BP神经网络能够准确地识别出金属表面缺陷的深度信息,识别相对误差在6％以内,结果证明了该神经网络模型对矩形缺陷深度的识别具有一定的可行性和准确性.     

基于改进多尺度形态学的带钢缺陷图像边缘检测

针对目前板带钢表面缺陷在线检测过程中无法准确地检测出所有缺陷边缘问题,根据带钢缺陷的特点,分析了结构元素的选取,提出了一种将多尺度形态学和多结构元素有机结合的边缘检测方法。该方法首先进行多尺度形态学滤波降噪,分别求取0°结构元素、45°结构元素、90°结构元素和135°结构元素带钢缺陷图像边缘;其次通过一定的运算组合,提取多结构边缘;最后对得到的带钢缺陷图像的边缘作二值化处理,再细化边缘得到缺陷图像边缘的最终结果。实验结果表明,该方法较好地解决了边缘检测精度与抗噪性能之间的协调问题,实现了在多个尺度上提取板带钢表面缺陷的边缘。同时能够较好地保留图像中缺陷的边缘细节信息,为带钢表面缺陷在线检测系统中自动分割、缺陷识别等后续处理奠定了基础。     

带钢表面缺陷往线监测系统

应用机器视觉技术对冷轧带钢表面缺陷进行快速、准确的在线非接触监测。IMAQ Vision将机器视觉和虚拟仪器结合在一起。在LabVIEW虚拟仪器平台上开发的带钢表面缺陷监测系统,采用了自动对焦、直方图分析、LUT变换、域值分析、颗粒分析、几何变换、边缘检测、图像还原、模式匹配等图像处理技术对带钢各种缺陷如边浪、辊面压痕、油污印记、褶皱等进行自动识别,测量结果利用计算机进行数据库存储和网络传输以及系统高有学步功能,同时在线对设备参数进行矫正,并且判断设备可能存在的故障。     

基于红外热成像技术的材料表面缺陷识别研究

针对当前材料表面缺陷识别方法存在的误差大,实时性差等不足,为了提高材料表面缺陷识别精度,提出了基于红外热成像技术的材料表面缺陷识别方法.首先分析材料表面缺陷识别的原理,找到不同方法的局限性,然后计算材料表面的温度,判断材料表面是否完整,并采集材料表面缺陷识别的红外热图像,最后采用全局阈值分割对材料表面缺陷进行分割和边缘...     

基于Boosting算法的车牌汉字识别

对AdaBoost算法作了详细的分析:AdaBoost是一种有效的分类器组合方法,他用某个分类算法生成一系列的基分类器,每个基分类器的训练依赖于在其之前产生的分类器的分类结果,基分类器在训练集上的错误率用于调整训练样本的概率分布,最终分类器通过单个基分类器的加权投票建立起来。最后将该算法应用于车牌照的汉字识别,对识别效率有大幅度提高。     

一种基于决策树的选项识别方法

文章将机器学习中的决策树算法和图像处理技术相结合,提出了一种基于决策树的选项识别方法,该方法首先需要通过人工标注的方式从答题卡中抽取选项构造训练集和测试集,训练集和测试集都包括填涂的选项和未填涂的选项两类,接着将训练集中的答题卡选项切割成n个大小相同的小矩形,通过计算这些小矩形的占空比并通过设定阈值的方式将其离散化成{0,1}中的其中一个值,这些值将作为选项的填涂空间信息特征,然后将n个小矩形的离散后的值相加作为表征选项整体填涂信息特征,再将这n+1个特征构成特征向量的形式,去构造选项识别的决策树,最后,用测试集测试决策树的准确率和速度。经过仿真测试,在权衡识别准确率和识别效率之后,得出选项切割的最佳个数和最佳离散化阈值,在该参数的设置下,决策树的识别性能具有满意的结果。该方法实现方便、简单、易于理解,并具有很高的准确率和很快的识别速度。     

基于形态学增强和图像融合的板带钢缺陷检测

为了检测噪声和光照不均并存的多种类型的板带钢表面缺陷,提出了基于数学形态学增强和图像融合的缺陷检测算法。本文首先分别对图像作多结构形态学熵图像增强和多结构形态学边缘增强,其次对增强后的图像采用加权融合,并通过图像背景熵和增强图像的像素均值比确定权系数,最后对融合图像进行二值化处理以便于后续的缺陷识别及分类。 实验表明,本文算法不仅能准确检测出含有光照不均和大量噪声的板带钢图像中的表面缺陷,而且对于其他类型的板带钢缺陷图像也能获得较好的效果。除此之外,该算法具有较强的抗噪性和较高的稳定性。     

Facial expression recognition based on image pyramid and single-branch decision tree

In this paper, a new approach has been proposed for improved facial expression recognition. The new approach is inspired by the compressive sensing theory and multiresolution approach to facial expression problems. Initially, each image sample is decomposed into desired pyramid levels at different sizes and resolutions. Pyramid features at all levels are concatenated to form a pyramid feature vector. The vectors are further reinforced and reduced in dimension using a measurement matrix based on compressive sensing theory. For classification, a multilevel classification approach based on single-branch decision tree has been proposed. The proposed multilevel classification approach trains a number of binary support vector machines equal to the number of classes in the datasets. Class of test data is evaluated through the nodes of the tree from the root to its apex. The results obtained from the approach are impressive and outperform most of its counterparts in the literature under the same databases and settings.     

基于图像处理的木板表面缺陷检测与识别研究

基于木板表面缺陷检测操作方便、使用要求低,能满足现代板材生产企业大规模自动化生产的需求,文中采用图像处理技术对木板表面缺陷进行检测研究,对木材的节子、裂纹、虫洞等典型缺陷进行特征提取及缺陷识别.实验结果表明,文中所设计的检测系统能够对原木板材的表面缺陷情况进行快速有效的缺陷检测,识别正确率为96.6％,单图平均检测时间...     

基于YOLOv4的铜带表面缺陷识别研究

本文提出一种基于YOLOv4铜板带材表面缺陷检测模型,针对铜金属板带材生产过 程中产生的表面缺陷形式多样、位置随机而导致难以快速定位和识别的问题,采用大数据驱 动的深度学习策略,以铜带表面缺陷图像为训练样本,对YOLOv4目标检测模型进行训练, 实验结果表明,改进的模型识别铜带表面缺陷的全类别平均精度均值(mean average precision,mAP)为93.37%,高于原始YOLOv4模型的全类别平均精度91.46%,检测速度达到49 帧/秒,与双阶段的检测模型更快地R-CNN (faster region-based convolutional neural network,Faster R-CNN)相比,在保证检测精度的同时提升检测速度,能 够满足在线检测需要,适合完成铜带工业生产过程中缺陷检测任务。     

基于KPCA和LSSVM的表面缺陷深度识别

为了实现铝板表面缺陷智能识别分类,解决支持向量机在识别过程中准确率不高的问题,对核主成分分析(Kernel Principal Component Analysis,KPCA)和最小二乘支持向量机(Least Square Support Vector Ma-chine,LSSVM)在缺陷深度识别分类的应用进行了研究....     

一种基于boosting特征选择的调制方式识别算法

针对统计调制模式识别方法中特征值提取和分类器设计两个步骤分开研究的现状,将Boosting特征选择和多层前馈神经网络算法结合研究,设计了一种改进算法,给出算法的具体步骤.使用常用特征值进行仿真实验,结果表明这种改进算法在信噪比在0 dB以上达100％的识别率.相比其他的智能分类算法,信噪比在-6 dB以下时改进算法的识别率有明显提高,因此可以较好地适用于认知无线电这种对识别准确率要求高的场景中.同时对其他分类识别的应用场景也有一定的参考价值.