基于SIFT算法的疵病图像配准

光学技术的发展对光学元件提出了更高的要求,检测的精度和准确性是其重要的部分,而疵病图像的配准是一个很重要的环节,因此对疵病图像的配准进行研究很有必要。针对疵病图像配准算法进行了阐述,并对基于特征点匹配的SIFT算法的原理及过程进行了介绍,用MATLAB软件进行编程,搭建实验平台获取疵病图像,并采用尺度不变特征变换（SIFT）算法对所获取的疵病图像进行配准、拼接,得到了完整的疵病图像。实验结果表明,该算法能有效地对疵病图像进行配准,为后续的疵病信息提取打下良好的基础。     

基于视觉图像的车身漆膜微小疵病检测方法

汽车漆膜能够保护车身不受外界环境的腐蚀,但是由于生产工艺的影响,汽车漆膜在涂装时会出现多种类型的疵病,因此汽车漆膜的微小疵病检测是现在汽车生产自动化发展的关键。本文基于汽车漆膜检测的实际需求,提出了一种基于视觉图像的车身漆膜微小疵病检测方法。本方法首先对汽车漆膜图像进行多帧叠加,抑制噪声;之后利用二维小波提取图像趋势项及微小疵病的特征;最后通过局域自适应阈值和场曲优化的分割系数,实现疵病二值化分割。实验结果表明,本文方法可实现大面积图像上对0.1mm以上疵病的有效检测,且微小疵病的召回率达到97.6%,误检率为1.3%,可达到预期检测结果。     

高反射镜表面疵病激光散射显微成像检测

反射镜表面疵病散射直接影响光学测试系统的性能、精度等多项重要指标。反射镜表面疵病的散射量可借助激光散射显微镜进行检测，为了保证整个系统的检测效率及精度要求，在硬件系统的设计上，设计显微物镜镜头、计算光斑的大小及CCD的功率谱响应；在软件系统的设计上，利用软件编写激光散射显微成像测试系统软件，能利用步进电机对反射镜表面进行扫描，同时控制图像采集卡采集图像并保存，重点研究如何快速有效地对采集到的子孔径图像进行精确配准，为后续图像的拼接处理奠定基础。通过分析整个测试系统的精度，×20倍率下能够分辨5~10 μm疵病。     

面向工业应用的CIE三刺激值加权表

本文利用外端舍去法、等值延伸法和线性外插法三种方法构造了波长从400nm到700nm的三刺激值加权表,并对所构造的加权表的特性通过计算机仿真进行了比较.通过比较的结果可以看出,10nm加权表的特性要好于20nm加权表的特性;对于连续性光源,无论是构造10nm加权表,还是构造20nm加权表,应该选择等值延伸法;对于荧光光源推荐对于10nm加权表采用等值延伸法,对于20nm加权表采用线性外插法.通过最后仿真得出的结果还可以看出,用这三种方法构造的加权表所造成的色差不是很大,能够满足工业上的要求.     

高温照明条件下的薄膜应用

光学薄膜技术从某种意义来说是对热能在光学应用中的控制手段 ,就像放映机与显微镜的照明系统。然而在一般的应用场合下 ,多层介质膜强调的是光谱效果 ,除非是为激光专门设计的膜系。商业照明有一定特殊限制 ,在这种场合下 ,热机械性能对低成本镀制的大表面高曲率元件十分关键 ,它的地位与光谱效果同等重要。最近 ,光学薄膜领域的改革与创新发明了温控法镀膜技术 ,它适用于大型高曲率表面元件的镀制 ,拓展了强光源的应用领域。1　热控制人的眼睛只能对波长为 4 0 0～ 70 0ｎｍ的光谱发生反应 ,在这个范围以外还有很多各种波长的光线。例如 ,…     

Hough变换在纸病检测中的应用

hough变换是直线检测中常用的方法,褶子是纸病的一种,通常采用对纸病图像进行预处理、阈值分割等常规方法来检测褶子,但常规方法对褶子检测效果不是很明显,本文将Hough变换应用于纸病图像中的褶子检测。     

光伏电池电致发光偏振图像融合与缺陷检测

针对电致发光图像边缘模糊、纹理不清晰造成光伏电池缺陷难以定量化评估问题,提出一种基于电致发光偏振图像融合的晶硅光伏电池缺陷检测方法。首先,在分析晶硅光伏电池结构的基础上给出电致发光偏振成像的基本原理。然后,利用拉普拉斯金字塔对获取的红外光强图像与偏振度图像进行分解、引导滤波对高频细节成分进行增强,通过区域能量最大、区域能量加权平均规则对高低频部分进行融合。最后搭建短波红外偏振检测平台开展晶硅光伏电池缺陷检测实验。结果表明,偏振成像可以凸显光伏电池缺陷图像的轮廓边缘和纹理细节,融合图像 中光伏电池缺陷特征更加突出,信息熵、标准差等客观评价指标显著提高,验证了方法的有效性。     

黄疸光疗仪LED光源光学参数的动态可调研究

为进一步增强新生儿黄疸光疗仪LED光源降解胆红素的效果,设计了一种能够实现多通道控制的黄疸光疗仪LED驱动电路,对四种不同峰值波长的单色LED灯进行独立脉宽调制调光(PWM调光),达到光照度可调、光谱可调的目的。提出以MAX16823驱动芯片及NE555定时器为核心元件组成的脉宽调制LED驱动电路,并分析了PWM调光的优势,通过Multisim10对该驱动电路进行仿真确保方案的可行性,再制作电路板驱动新生儿黄疸光疗仪LED光源,在距离光源中心55 cm处测量不同占空比下光照度和光谱变化。实验结果表明四种不同峰值波长的单色LED光照度调节范围分别为0~35 lx、0~61 lx、0~215 lx、0~337 lx,且在四种峰值波长单色LED同时发光的情况下,峰值波长变化范围在20 nm左右,半高宽变化范围在50 nm左右。     

区域清晰度的小波变换图像融合算法研究

针对图像传感器景深限制而产生的多聚焦图像融合问题,提出了一种基于区域清晰度的小波变换图像融合算法,通过比较不同原图像小波变换子图各像素邻域间的清晰度指标,提取不同尺度的细节信息构建全景聚焦图像,以消除传统空域融合方法因采用单一融合尺度而产生的块效应现象。该算法首先对多个原图像采用小波变换进行多尺度分解;然后针对低频子图,以像素邻域内的点锐度和作为融合度量来获得低频融合系数,对于高频子图,根据像素邻域内的拉普拉斯算子之和进行融合,以减少局部噪声对于清晰度运算结果的影响;最后通过小波逆变换获得融合图像。实验结果表明,这种基于区域清晰度的融合方法要优于其他常用算法,减少了人工融合痕迹,融合效果好。     

基于 Radon 变换的时空图像纹理角识别方法

时空图像测速法以河流表面自然特征为分析对象,检测生成的时空图像中的纹理主方向,根据物象变换关系、拍摄所得视频参数和纹理方向倾角的正切值计算出河流表面的一维时均流速。针对实际应用中生成的时空图像受噪声干扰而导致时空图像纹理倾斜角检测精度出现较大误差的问题,本文提出采用改进的同态滤波器来增强河流表面图像的纹理特征,采用融合了自适应直方图均衡化的频域滤波对时空图像去噪,再利用Radon变换检测纹理角方向。通过模拟纹理图像实验,较高、较低流速条件下实地河道实验验证本文改进方法的有效性,实验结果表明,对于标准的模拟纹理图,Radon变换角度检测结果相对误差小于0.03%,对于干扰较多的复杂的实地河道环境,较低和较高流速条件下,基于Radon变换的时空图像纹理角识别结果与人工手动目测值间的相对误差分别小于1.56%和1.80%。实验表明,Radon变换法可行且较其他纹理角检测算法有更高的精度。     

融合坐标注意力和自适应特征的YOLOv5陶瓷膜缺陷检测方法

针对平板陶瓷膜表面缺陷实时检测时存在检测准确率较低的问题,本文提出了一种融合坐标注意力和自适应特征的YOLOv5陶瓷膜缺陷检测方法。通过在原有YOLOv5模型的主干网络中加入坐标注意力机制,建立位置信息和通道之间的关系,从而更准确地获取感兴趣区域。在原始网络的预测网络中融入自适应特征融合机制,提高模型对多尺度缺陷的检测能力。将空洞空间卷积池化金字塔模块替换原始网络中的空间金字塔池化模块,提高卷积核视野获取更多的有用信息。实验结果表明：本文模型平均精度为97.8%,检测帧数为32 FPS,平均精度与原始YOLOv5模型相比提高了5.5%。本文提出的模型在满足平板陶瓷膜缺陷的实时检测条件下,提高了模型的检测准确率,对推动平板陶瓷膜缺陷检测的发展具有一定的参考价值。     

基于改进YOLOX的地下排水管道缺陷识别算法

CCTV检测技术在地下排水管道缺陷检测被广泛应用,但CCTV收集的缺陷图像需要依赖专业的检测人员进行检测识别,结果具有一定主观性且耗费大量时间。为了实现地下排水管道缺陷检测识别自动化,提出了一种基于改进YOLOX的地下排水管道缺陷识别方法。首先针对数据集过少的问题,通过StyleGAN2对原始图像进行预处理,生成多缺陷图像。其次,为了提高检测精度,对YOLOX的特征融合层进行改进,借鉴空洞空间卷积池化金字塔思想并引入SE注意力机制解决顶层特征仅包含单尺度特征且不与其它特征图进行融合的问题,同时设计了一种基于权重的特征融合模块,解决不同特征层融合带来的特征混叠问题。最后,将YOLOX边界损失函数改为CIOU,提高目标检测框回归的效率。实验结果表明,所提的算法能够很好对沉积、渗漏、树根入侵、裂缝和错口5种缺陷进行识别,mAP达到68.76%,相比原始YOLOX算法提升了1.62%。     

基于改进Faster RCNN的轮对踏面缺陷检测

针对目前传统图像处理算法对踏面缺陷检测存在效率不高、对环境鲁棒性不足等问题，本文提出基于改进Faster RCNN的踏面缺陷检测方法。改进的网络首先使用Resnet50作为特征提取网络，并在特征金字塔层（FPN）特征融合输出部分加入自注意力机制，加强了检测网络对小缺陷的检测能力，最后使用K-means++聚类算法对踏面缺陷数据集锚框进行聚类，并通过聚类结果定制出更适合轮对踏面缺陷的锚框。实验结果表明，改进后的Faster RCNN网络对轮对踏面缺陷检测的平均检测速度为68 ms,平均精度（mAP）达到了97.3%，对小目标缺陷的检测精度（mAPsmall）达到了39.3%。     

基于非下采样Contourlet变换耦合能量相似制约的遥感图像融合算法

为了克服当前遥感图像融合方法存在的块现象和光谱扭曲等问题,引入了非下采样Contourlet变换(nonsubsampled contourlet transform, NSCT),设计了一种通过能量相似制约的遥感图像融合算法。利用HSV(hue, saturation, value)变换来处理多光谱(multi-spectral, MS)图像,从MS图像中提取对应的V成分,并通过NSCT变换计算出V成分及全色(panchromatic, PAN)图像的不同图像系数。利用区域能量函数来测量图像所含能量信息,并以图像间能量的相似性为依据,构建低频系数的融合模型,获取具有较好光谱特征的融合低频系数。利用空间频率函数来测量图像所具有的细节特征,以构建高频系数融合模型,获取具有较好清晰度的融合高频系数。最后,借助HSV和NSCT的逆变换,输出融合结果。实验结果表明,较现有融合技术而言,所提算法具有更好的融合效果,输出图像具备更好的光谱特征,有效降低了块效应。     

基于FAMGAN的轮胎X光图像缺陷检测

针对气泡缺陷特征和图像背景像素差异较小、检测困难的问题,以Skip-GANomaly为基础框架,提出了融合注意力机制生成对抗网络(FAMGAN),首先,生成器中编码器和解码器之间的跳连层由注意力特征融合模块(AFF)和注意力机制模块(CBAM)构成,提高了对目标特征的关注、减少了图像特征丢失;然后,在判别器中加入联合上采样模块(JPU),提高了模型检测图像缺陷的速度。最后,将本文提出的FAMGAN网络与近几年经典的生成对抗网络在自制的轮胎缺陷数据集上进行训练、测试和评估。实验结果表明,本文提出的网络对轮胎气泡缺陷检测的精度达到0.837,相比于Skip-GANomaly网络提高了近30%。     

定向识别航拍绝缘子及其缺陷检测方法研究

针对现有绝缘子检测算法无法定向检测绝缘子及其缺陷的问题，提出了一种改进YOLOv5(you only look once v5,YOLOv5)算法的航拍绝缘子识别及其缺陷检测方法。通过定向标注航拍绝缘子图片，形成航拍绝缘子数据集和缺陷绝缘子数据集；在YOLOv5的主干特征提取网络引入轻量化注意力机制模块、在特征融合阶段使用改进的空间金字塔池化结构；通过改进YOLOv5网络的头部结构使其可以对绝缘子进行定向识别，并对损失函数添加角度损失分类。实验结果表明在检测时间由单张0.044 s到单张0.049 s并无显著增长的前提下，改进后的算法在测试集上的mAP(mean average precision)的值为95.00%,实现了定向识别绝缘子及其漏帽缺陷，还可应用到绝缘子视频流检测。为后续的绝缘子精确定位以及进一步故障检测打下良好基础。     

基于 EfficientDet 的风机叶片缺陷检测方法

受工作环境恶劣等原因影响,风机叶片常会出现裂纹、凹坑等缺陷。针对当前常用目标检测算法对风机叶片小尺寸缺陷检测准确率低的问题,提出一种基于EfficientDet算法的风机叶片缺陷检测方法。首先采集图像数据并建立Pascal VOC格式的风机叶片缺陷图像数据集,然后对EfficientDet算法中的主干特征提取网络进行改进,减少向下采样次数并调整有效特征层从而增强主干特征提取网络对小尺寸缺陷的检测能力,同时为特征融合网络增加融合路径提升算法的多尺度特征融合能力,选用FReLU作为激活函数实现像素级空间信息建模,并通过Mosaic数据增强和Focal Loss损失函数增加小尺寸缺陷样本对于检测器的贡献。在建立的风机叶片缺陷图像数据集上的测试结果表明改进后的算法模型平均类别精度达到了96.15%,相较于原版的EfficientDet提升了3.77%,对小目标的检测性能有明显提升。     

基于改进YOLOv5s的煤矿电力设备缺陷检测

针对煤矿电力设备缺陷检测精度低的问题，提出了一种基于改进YOLOv5s的煤矿电力设备缺陷检测的方法。该方法主要包括3个方面的改进：首先，提出了一种多分支的坐标注意力模块，增强了模型获得缺陷区域信息的能力；其次，提出了一种特征融合网络模块，通过将主干网络和颈部网络之间非相邻的特征信息进行跨层连接，进一步增强了模型的特征表达及融合能力；最后，提出了一种快速空间金字塔池化平均池化模块，并将其嵌入颈部网络的路径融合网络之间，以提升网络浅层定位信息传递到深层的能力。实验结果表明，改进YOLOv5s模型的mAP@0.5提升了3.1%,F₁分值提升了3%,满足煤矿电力设备缺陷的检测需求且具有更高的检测精度。     

融合自注意力与缺陷凸显的缺陷检测方法

针对无监督缺陷检测中重建网络在抑制异常重建的同时无法保留正常区域细节信息的问题,提出了一种融合自注意力 与缺陷凸显的缺陷检测方法。 首先,在重建网络中引入离散小波变换(DWT)进行下采样, 并使用离散小波逆变换( IDWT)进 行上采样。 相较于传统重建网络,这种方法能减少细节信息的丢失,并对特征进行频率分解。 同时,在跳连接中加入自注意力 模块对特征重新编码,使其重点关注正常区域的细节信息。 此外,设计了一个缺陷区域凸显模块,利用正常样本特征构建特征 库,将从测试图像提取的特征与特征库中特征对比得到异常图,将异常图与重建差值图相结合来改善缺陷定位结果。 在工业缺 陷检测数据集 MVTec AD 上进行测试,在图像级 AUROC 上取得了 99. 3%的结果,同时在像素级 AUROC 上取得了 98. 3%的结 果,在无监督缺陷检测中具有较高的检测精度和鲁棒性。