基于FNBC分类器的PCB产品视觉检测中缺陷分类研究

针对PCB产品视觉检测中图像缺陷细微、形状复杂、特征难于提取、易受噪声影响的问题,本文把Fisher分的属性转换方法和朴素贝叶斯分类器相结合,把Fisher分的属性转换方法麻用朴素贝叶斯分类器上提出一种新的分类器——Fisher分朴素Bayes分类器（Fisher Naive Bayes Classifier,FNBC）。并将Fisher分朴素Bayes分类器应用到PCB产品视觉检测中缺陷分类中。实验表明,该方法六类缺陷混合识别率达到95．6％,高于BP神经网络的最优识别率91．8％和基于区域方法的81．3％,而且训练和分类时间短,具有重要的应用价值。     

基于视觉注意力模型的高速铁路轨道病害检测

提出了基于视觉注意力模型的高速铁路轨道病害检测方法.采用基于稀疏采样和核密度估计的视觉注意力模型,得到高速铁路车载视频的显著图,进而提取视频中包含病害的区域;为了解决病害图像分类中的小样本问题,结合已标记样本和未标记样本,提出了基于生成模型的半监督分类方法,并用于高速铁路轨道病害识别分类.对3种典型的轨道病害进行了检查与识别实验,实验结果表明,该方法具有很高的检测率和识别率.     

基于孪生深度特征融合残差网络的PCB缺陷分类模型

在电子工业领域中,印刷电路板(printed circuit board, PCB)缺陷检测已经变得越来越重要. PCB的部分微小损伤或者不规则损伤与其密集复杂的排线等视觉纹理信息高度相关.传统卷积神经网络提取特征向量,容易丢失纹理特征等中级视觉特征信息,导致对于细微损伤和不规则损伤的检测效果不明显.针对这一问题,提出了基于孪生深度特征融合残差网络(Siamese deep feature fusion residual network)的PCB损伤分类模型.模型的骨干网络采用ResNet50.特征提取阶段将纹理信息等中级视觉特征和神经网络最终输出的高级语义特征融合为一个32维的特征向量.两个特征的向量的相似性用L2距离表示,用于判断PCB是否有缺陷.在训练阶段应用了三元损失和交叉熵损失,多个损失函数的组合提高了网络的准确性.通过实验验证了模型的有效性,在测试数据集上的准确率达到了(95.42±0.31)%的准确率,实现了模型在PCB缺陷分类检测的可行性.     

基于支持向量机的超声检测缺陷识别研究

为解决超声检测领域传统人工神经网络方法对于小样本进行缺陷识别时存在的泛化能力差和过学习等问题,提出了一种基于支持向量机的超声检测缺陷识别方法.先使用小波分解对信号进行降噪,再使用小波包变换提取特征值,构造多类分类支持向量机进行缺陷识别.实验结果表明,支持向量机方法具有识别率高、泛化能力强等优点,能够应用于超声检测缺陷识别领域.     

基于视觉传感器的PCB缺陷检测系统的研究与实现

为了实现PCB缺陷的在线自动检测,设计了一种PCB缺陷自动检测系统,该系统主要由机器臂、电气控制系统以及视觉传感器系统等组成。通过可编程控制的图像采集系统获取高质量的原始视觉图像,利用图像处理实现对缺陷目标的自动检测及识别。实验结果验证了该系统检测PCB板缺陷的高效性和实时性。     

带钢表面质量在线检测系统研究与设计

为了提高现有带钢表面质量检测技术在缺陷检测精度与识别率上存在的问题,设计了基于机器视觉技术的带钢表面质量自动检测系统,从系统整体构成、视觉传感系统、软件开发及检测与分类算法等方面进行了深入地研究,实现了包括图像的采集、传输、缺陷的实时检测和定位,缺陷的分类以及缺陷的存储与报警等功能;实验结果表明,该系统可以对带钢表面常见的边裂、氧化、结疤等几十种不同类型的缺陷进行精确地检测;与现有的缺陷检测技术相比,该系统中设计的算法在检测精度和实时吞吐量上都具有很大优势.     

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.     

基于计算机图像处理的电路印刷板缺陷检测

针对人工目检等传统PCB检测方法高成本、低效率问题,通过提出一种基于计算机图像处理的PCB板计算机视觉混合检测方法,完成了实现快速稳定可靠的PCB缺陷智能在线检测的目的;建立了系统的软硬件结构,研究出结合图像分模块处理,改进的极小值分割、快速模板匹配、图像对比、形态后处理等措施的混合智能检测算法;实验结果证明,该方法解决了海量数据与实时性处理的矛盾以及噪声干扰等问题,能准确检测PCB常规缺陷,并保证了自动在线检测的实时性、可靠性和低成本.     

基于机器视觉的钢带缺陷检测研究

针对钢带缺陷传统的人工检测效率低、误检率高以及危险程度大等问题,提出了一种基于机器视觉的缺陷检测和识别的研究方案。采用工业摄像头采集钢带生产线上的视频图像,通过中值滤波和小波分析相结合的方法去噪,并用Canny算子实现边缘检测,再以缺陷图像的圆形度等特征完成识别分类,从而实现对钢带缺陷的检测和统计。实验结果表明,该缺陷检测方案能够实时准确有效地识别钢带缺陷,证明了该方法的可行性。     

基于超声检测的构件层间粘接缺陷识别方法

超声无损检测广泛用于检测界面粘接缺陷,然而粘接缺陷类型的识别一直是检测的难点.因此提出了一种基于多特征融合和主成分分析提取界面粘接状况回波信号特征的方法.首先通过对缺陷信号回波进行消噪处理,提取了缺陷信号时域和时频域的特征参数,并构成联合特征向量.随后,经过主成分分析消除联合特征向量的冗余信息并降低特征向量之间的相关性,实现降维,选取累计贡献率超过95％的主成分作为粘接类型的融合特征向量.最后用BP神经网络实现缺陷类型识别分类.实验结果表明,这种方法可以有效地识别出粘接缺陷类型,识别率优于单独时频域特征提取方法,为粘接缺陷的分类识别和无损评价提供了技术参考.