基于机器视觉的汽车精密零件缺陷检测

本文针对汽车精密零件外观质量检测的需求,利用机器视觉系统采集零件外观图像,建立数据平台。基于中值滤波和图像复杂度,提出了改进OTSU算法提取图像的外观缺陷特征,与样本库进行对比,以识别可能的外观缺陷,提高缺陷检测效率。并且,针对缺陷类型分析其影响因素,从而找到产生缺陷的原因,为零件加工过程的改善提供理论依据。同时,搭建了缺陷视觉检测平台,以汽车转向器内部套筒为对象,实现了精密零件外观缺陷在线缺陷检测。     

基于机器视觉的汽车精密零件表面缺陷自动检测方法

汽车精密零件表面缺陷会导致零件故障,为了提高缺陷检测能力,提出基于机器视觉的汽车精密零件表面缺陷自动检测方法。构建汽车精密零件表面缺陷的机器视觉图像采集模型,采用单背景约束下的表面光泽点提取的方法,分析汽车精密零件表面的结构纹理特征值,在视觉传感下通过对汽车精密零件的形变、相变参数分析,分析汽车精密零件的机械性能和服役性能,在切削载荷作用下,通过疲劳裂纹的视觉特征重构,在机器视觉下采用表面残余应力及变质层的动态特征分析,通过缺陷特征检测和有限元仿真分析,实现对汽车精密零件表面缺陷自动检测。测试结果表明,采用该方法进行汽车精密零件表面缺陷检测的纹理匹配度较高,检测性能较好,对零件表面的断屑、化学磨损等各类缺陷检测的可靠性较高。     

改进的精密机械加工零件表面缺陷检测算法

对加工表面纹理缺陷进行可靠的检测分析可以有效提高机械加工零件表面精加工的水平。基于计算机视觉技术对机械加工零件表面实现自动缺陷检测,由于机械加工零件表面纹理的特殊性,常用的灰度图像分割方法对机械加工零件表面缺陷的检测不适用;且其表面的缺陷信息无法预先得知,其图像分割是一个非监督纹理分割问题,对此提出了一种改进的模糊聚类缺陷检测算法,实现了对机械加工零件表面缺陷的自动化检测,实验结果证明了该算法的可行性。     

基于图像的精密零件缺陷检测技术

研究零件缺陷检测问题。针对要求机械零件精密度高,传统的图像检测或者肉眼检测很难保证精密零件的细微缺陷被准确检测出来。提出计算机视觉图像的缺陷零件检测方法。采取了去除小成分的方法去除图像中的噪声和一些干扰测量的部分;选取最大类间方差法作为此检测系统的阈值分割方法。采用像素级和亚像素级边缘检测,克服传统方法的缺陷,实现精密零件缺陷的完整检测。实验结果证明,方案切实可行,提高了测试精度,为图像检测提供了可靠的方法。     

基于自适应阈值“双K算法”的零件缺陷边缘检测

针对传统边缘检测方法难以实现边缘信息的准确检测问题,提出了一种零件缺陷边缘检测的新方法.首先对采集到的零件缺陷图像进行灰度化和Wiener滤波,以减少噪声等因素对后期检测的影响;然后,以kalman算法预估图像分割阈值作为Krisch算法的初始阈值;在此基础上,进行零件缺陷边缘检测,以提高零件缺陷检测的准确性.最后,利用MATLAB软件对零件缺陷图像进行仿真试验,验证边缘检测算法的检测效果.实验结果表明,推荐算法检测的平均准确率达到94.38%,能够有效实现零件缺陷边缘信息的检测.     

基于视觉显著性的零件缺陷检测

为了提高零件缺陷检测的准确率,提出了一种基于视觉显著性算法的零件缺陷检测方法。首先将采集零件缺陷图像进行高斯差分滤波,以最大程度消除背景信息的干扰。然后对高斯差分滤波后的零件缺陷图像进行超像素分割,并利用全局图像对比方法构建超像素图像显著图,从而有效的提高缺陷的显著性。最后,采用最大类间方差法分割缺陷。试验表明该方法能提高零件缺陷的检测准确率。     

基于自模板重构与NSCT的汽车内饰件表面缺陷检测方法研究

汽车内饰件作为汽车产业中重要的零部件之一,不仅要具备良好的尺寸精度和物理性能,而且要满足很高的外观需求。由于汽车内饰件表面具有高反射性且缺陷种类繁多,准确、快速地识别和定位表面缺陷具有较高的挑战性。为此提出一种基于自模板重构与非下采样Contourlet变换(NSCT)的汽车内饰件表面缺陷检测方法。利用稀疏表示算法对试件图像进行重构,生成自模板;利用差影法生成残差图像,以抑制背景信息;利用NSCT对残差图像进行增强,实现缺陷的分割与定位。该方法对图像的光照不均不敏感,且在残差图像生成过程中无需对图像进行位置较准,因此,该方法具有较强的鲁棒性。实验结果表明,该方法可以有效地检测汽车内饰件表面的各种缺陷,其检测精度可达0.1 mm。     

基于机器视觉的圆锥滚子外观缺陷检测系统研究

回顾了近年来国内外工业生产中圆锥滚子外观缺陷分割领域的研究进展,为了实现更加简单高效的滚子外观缺陷检测,设计了一套合适的光学成像系统用于图像采集,提出了最大类间方差法和局部阈值算法的缺陷分割,对分割后图像进行特征提取并进行SVM分类;实验结果表明,该算法有较高的准确率和较好的适应性,优于传统的滚子外观缺陷分割算法,可以满足工业生产中的实际需求。     

基于Faster R-CNN的零件表面缺陷检测算法

针对人工和传统自动化算法检测发动机零件表面缺陷中准确率和效率低下,无法满足智能制造需求问题,提出了一种基于深度学习的检测算法.以Faster R-CNN深度学习算法为算法框架,引入聚类理论来确定anchor方案,通过对比k-meansII和CURE聚类算法生成anchor对检测结果的影响,提出了基于聚类生成anchor方案的Faster R-CNN的零件表面缺陷检测算法,并引入多级ROI池化层结构,减少ROI池化过程中取整带来的偏差,实现高效并准确检测零件表面缺陷的目的.通过设计缺陷图像数据采集方案,建立了3种缺陷零件数据集,并验证了算法的性能.实验结果表明,该算法将缺陷检测的均值平均精度mAP从原算法的54.7%提高到97.9%,检测速度最快达到4.9 fps,能够满足智能制造的生产需求.     

基于机器视觉的零件表面瑕疵自动分拣系统设计

针对精密零件表面瑕疵人工检测工作量大且人为误差较大的状况,将计算机视觉技术用于精密零件表面瑕疵检测分析中,并结合嵌入式系统控制分拣机构对零件进行自动分拣。本文设计的一个基于机器视觉的零件表面瑕疵自动分拣系统,采用图像处理及模式匹配的方法,实现了零件表面瑕疵自动分拣。     

基于卷积神经网络的钣金件表面缺陷分类识别方法

针对国防军工、电子信息等领域对多批次、小批量钣金零件快速、智能制造的需求,提出了一种基于卷积神经网络的少样本钣金件表面缺陷分类识别方法。首先基于卷积神经网络的网络架构,搭建出了经典的分类模型,并在实验中进行了参数修改,以达到实际生产中的表面缺陷检测要求;其次利用缺陷分割提取的方法获得卷积网络训练模型的样本集,并进行数据增强。实验结果表明,该模型的准确度可达97.02%;最后利用窗口滑移检测方法使待检测零件与模型进行对比,实现了对缺陷的分类和缺陷位置的标记。经实验验证,该方法的准确性和实时性均可满足实际工业生产要求。     

基于机器学习的刀具表面缺陷检测及分类方法

刀具在生产的过程中,由于人员、机器、环境等多方面原因,刀具的表面会出现各种缺陷,如划痕、碰撞凹坑、涂层剥落和边缘豁口;这些缺陷会严重影响刀具的质量和外观,对于刀具的缺陷检测,目前主要采用人工目检的方式,人工检测方法效率和准确率都比较低;为解决上述问题,提出一种刀具缺陷的自动化检测及分类算法;针对刀具图像的预处理,提出了一种基于双边滤波的降噪方法和基于差分的对比度增强算法;对于刀具的缺陷检测任务,提出了基于图像差分的缺陷检测算法;对于缺陷的分类任务,提出了一种基于SVM的分类算法,即通过提取缺陷区域的形状、纹理等特征来训练SVM分类器;最后对提出的缺陷检测及分类算法进行实验,结果表明算法的缺陷检出率达97.2%,分类准确率可达94.3%;算法能够很好地满足工业需求,可以替代人工实现刀具缺陷的自动化和高效率检测。     

精密光学元件表面疵病检测技术研究

依据光学元件表面疵病存在的对比度低、边界模糊等特性,以及现有的自动化检测算法,提出了一种基于机器视觉的数字化评价系统,解决了疵病图像获取中的相机定位、图像采集、疵病检测、图像拼接以及疵病统计等自动检测技术问题.实验结果表明:系统实现了精密光学元件表面疵病的自动化检测,能够有效分辨微米(μm)量级的疵病,具有良好的疵病识别性能.     

基于改进YOLO的双网络桥梁表观病害快速检测算法

桥梁表观病害检测是确保桥梁安全的关键步骤. 然而, 桥梁表观病害类型多样, 不同病害间外观差异显著且病害之间可能发生重叠, 现有算法无法实现快速且准确的桥梁多病害检测. 针对这一问题, 对YOLO (You only look once) 进行了改进, 提出了YOLO-lump和YOLO-crack以提高网络检测多病害的能力, 进而形成基于双网络的桥梁表观病害快速检测算法. 一方面, YOLO-lump在较大的滑动窗口图像上实现块状病害的检测. 在YOLO-lump中, 提出了混合空洞金字塔模块, 其结合了混合空洞卷积与空间金字塔池化, 用于提取稀疏表达的多尺度特征, 同时可以避免空洞卷积造成的局部信息丢失; 另一方面, YOLO-crack在较小的滑动窗口图像上实现裂缝病害的检测. 在YOLO-crack中, 提出了下采样注意力模块, 利用1×1卷积和3×3分组卷积分别解耦特征的通道相关性和空间相关性, 可以增强裂缝在下采样阶段的前景响应, 减少空间信息的损失. 实验结果表明, 该算法能够提高桥梁表观病害检测的精度, 同时可实现病害的实时检测.     

基于改进YOLOv4的汽车钢铁零件表面缺陷检测

针对YOLOv4在自建的汽车钢铁零件表面缺陷数据集中检测精度不足的问题,利用深度学习的优势,提出一种基于改进YOLOv4的汽车钢铁零件表面缺陷检测方法。首先采用加权K-means算法确定初始anchors预选框,增强anchors框和特征图尺寸的匹配精度,提高检测效率;然后在YOLOv4主干网络的残差单元中引入SE模块,增加有用特征的权重,抑制无效特征的权重来提高检测精度;最后在76×76的特征图后连接RFB-s模块,增强对小目标信息的特征提取能力。实验结果表明,针对自建汽车零件表面缺陷数据集有无缺陷单类检测问题,改进算法比原始YOLOv4的mAP50值提高了4.3个百分点,对小目标具有更好的检测效果。这说明改进算法能满足针对特定的汽车钢铁零件表面缺陷检测问题下的检测速度和精度要求,有效解决了实际问题。针对COCO数据集多分类问题,改进后模型的mAP50值比原始YOLOv4提高了0.2个百分点,FPS值达到20,说明改进算法能够迁移到其他数据集,验证了该算法的泛化性。     

改进注意力机制的型钢表面微小缺陷检测方法

针对型钢表面缺陷种类多样、微小缺陷占比较大导致的检测效率低、检测精度差的问题,提出了一种基于双重多尺度注意力机制的表面缺陷检测方法DMSA-YOLOv3,实现型钢表面多尺度缺陷快速精确检测。构建了基于通道和空间的双重多尺度注意力模型DMSA,对不同尺度特征进行筛选融合,强化小尺度缺陷的特征权重;改进了YOLOv3模型,使用深度可分离卷积对DarkNet53特征提取主干网络实现轻量化处理,提高检测速度,并构建多尺度长距离上下文特征提取层,使用4种不同扩张率的并行空洞卷积替代全局池化,提高模型对小尺寸缺陷的特征提取能力;构建了融合DMSA模型和改进YOLOv3模型的DMSA-YOLOv3缺陷检测模型,并应用于型钢表面多尺度缺陷检测。实验结果表明：DMSA-YOLOv3模型具有97.6%的多类别平均检测精度和55.3?frame/s的检测速度,与YOLOv3模型相比分别提升了4.7个百分点和24.5?frame/s;最小可检出20×20像素（约10×10?mm2）缺陷,与YOLOv3模型相比提高了6.25倍,有效提升了型钢表面缺陷的检测精度与检测速度。     

基于背景差分与最大熵的轨面缺陷分割

为了提高钢轨表面缺陷检测的效率和准确率,提出了一种基于背景差分与最大熵的轨面缺陷检测算法.首先建立钢轨图像背景模型并将原图像与背景图进行差分操作,以此来避免光照变化和反射不均的影响,更准确地突出缺陷区域;然后将改进的遗传算法与最大熵值法相结合来寻找最佳分割阈值并对差分图进行二值化,通过结合改进遗传算法加快了最大熵值法的运算速度;最后对二值图进行滤波操作,完成钢轨表面缺陷的分割.仿真结果表明该方法能够更加快速准确地分割出缺陷,精确率、召回率和正确率分别达88.6%、93.4%和90.6%.     

基于深度学习的织物缺陷在线检测算法

织物缺陷在线检测是纺织行业面临的重大难题，针对当前织物缺陷检测中存在的误检率高、漏检率高、实时性不强等问题，提出了一种基于深度学习的织物缺陷在线检测算法。首先基于GoogLeNet网络架构，并参考其他分类模型的经典算法，搭建出适用于实际生产环境的织物缺陷分类模型；其次利用质检人员标注的不同种类织物图片组建织物缺陷数据库，并用该数据库对织物缺陷分类模型进行训练；最后对高清相机在织物验布机上采集的图片进行分割，并将分割后的小图以批量的方式传入训练好的分类模型，实现对每张小图的分类，以此来检测缺陷并确定其位置。对该模型在织物缺陷数据库上进行了验证。实验结果表明：织物缺陷分类模型平均每张小图的测试时间为0.37 ms，平均测试时间比GoogLeNet减少了67%，比ResNet-50减少了93%；同时模型在测试集上的正确率达到99.99%。说明其准确率与实时性均满足实际工业需求。     

基于图像分析的粘接质量评价系统设计

目前对发动机防热结构件的粘接质量的判断采用电磁超声波进行无损检测,检测人员只能通过超声波返回的A波波形进行粘接缺陷的评估;这种检测方法效率低,准确度低,对人员要求高且无法实现在线检测,严重影响产品量产;针对此类情况,采用数据可视化、智能图像分析的方法,建立一套粘接质量评价系统;系统包含了对测量结果数据进行过滤处理;根据工件尺寸按照法线函数展开成二维模型;为二维模型填充缺陷信息从而实现粘接效果可视化;采用二值法建立缺陷矩阵;通过粒子法求解缺陷的面积;采用缺陷矩阵扩张的方法,解决相邻缺陷的识别问题;再通过特征值数组的方法解决从3D展开至2D时展开边界切割缺陷区域的问题,从而完整地描述发动机防热结构件粘接质量的全面特征,为粘接质量评价提供了直接依据。