基于神经网络的钢材表面缺陷快速检测

表面缺陷是影响钢材质量的重要因素,钢材表面缺陷图像在线快速检测已成为国内外学者研究的热点课题。研究钢材表面缺陷识别技术不仅具有一定的理论价值,更具有实际的应用前景。本文设计并通过仿真实现了冷轧带钢表面缺陷检测系统及缺陷分类系统,重点研究了BP神经网络方法及图像处理技术在钢材表面缺陷识别中的应用,实现冷轧带钢表面缺陷的快速自动分类。     

高速高精度带钢表面检测系统的设计与实现

针对带钢表面缺陷检测系统的速度滞后,精度偏低等问题,在分析成像理论和图像检测理论的基础上,设计并实现了一种带钢表面缺陷高速高精度在线检测系统.该系统首先采用大功率半导体均匀发光激光器技术、高速线扫描成像技术和基于图形处理器的Gabor纹理滤波技术实现了高速高分辨率的图像采集和处理,然后采用基于嵌套循环的K-折交叉验证、信息增益率和BP神经网络方法构建了高准确率的分类器,以达到对带钢表面缺陷高速高精度在线检测.实验结果表明,该系统满足了现有带钢生产速度的要求,具有较高的精度和准确率.     

连铸坯表面缺陷在线检测研究

为了提高钢板的质量和成材率,必须对轧钢的连铸坯的表面缺陷进行实时在线检测.采用两套面阵CCD成像系统同步采集连铸坯表面图像,在神经网络软件支持下,对采集的图像进行分析运算和分类处理,设计研制出连铸坯表面缺陷在线检测系统.     

基于机器视觉的带钢表面缺陷检测研究进展

热轧带钢是钢铁行业的主要原材料之一,其表面质量控制一直是生产过程智能检测的重点任务。针对带钢表面缺陷自动在线检测逐步取代人工检测的现状,概述带钢表面缺陷检测方法,着重阐述基于机器视觉的表面缺陷检测方法,比较分析传统机器视觉、深度学习方法在带钢表面缺陷检测的应用,探讨带钢表面缺陷检测中存在的关键技术问题,并对其未来发展趋...     

冷轧带钢缺陷表面形状恢复新算法

为改善冷轧带钢表面缺陷分类识别性能,提出基于从阴影恢复形状原理的表面缺陷三维重构算法． 针对表面缺陷检测系统的光路设计,提出一种改进的Oren-Nayar漫反射模型,结合透视投影模型推导出相应 的反射图方程,利用基于高阶Lax-Friedrichs汉密尔顿函数和牛顿迭代相结合的快速扫描算法完成了该方程 的求解,实现表面缺陷三维信息的提取．利用合成图像和表面缺陷图像进行三维重构实验,结果表明该算法 重构精度高,验证了改进光照模型的正确性．该三维重构算法能够有效地提取冷轧带钢表面缺陷三维信息, 有助于提高表面缺陷分类识别性能     

改进可拓理论的带钢表面缺陷图像分类方法

将可拓理论引入到带钢表面缺陷图像的分类中,提取分割前后缺陷图像的12个特征值,对可拓理论用于分类的关键步骤-关联度的计算方法进行改进,首先确定某缺陷特征值与某类缺陷对应特征值经典域的距绝对值,再计算出该特征值与各类缺陷对应特征值经典域的距绝对值之和,以二者的商作为关联度计算的权值. 对该方法的可行性进行了论证,并对带钢表面缺陷图像分类进行了仿真,仿真结果显示改进后的方法分类准确性有较大的提高.     

非接触式带钢表面缺陷检测纹理方向特征分析

带钢表面缺陷图像纹理方向特征分析是否合理,关乎缺陷图像识别的正确率。针对带钢表面缺陷, 提炼描述缺陷图像的纹理特征量,给出检测距离和检测方向角的关系以及缺陷图像纹理特征提取的基本方法。通过带钢表面无噪声和有噪声的裂纹缺陷图像实例分析,提出纹理方向的特征量取最小值,与纹理方向垂直的特征量取最大值;检测距离根据具体情况选取,不易过大或过小;夹杂噪声的缺陷图像分析时阈值取较小值。     

Mean shift 算法在带钢缺陷图像分割中的应用

带钢自动表面检测系统中缺陷图像的分割效果对缺陷识别具有重要影响．为了提高缺陷图像的分割效果,提出了采用 Mean shift 算法对带钢缺陷图像中的感兴趣区域进行平滑从而获取缺陷边缘的方法,并将该算法与中值滤波算法进行了比较．测试结果表明,Mean shift 算法能够有效地对缺陷图像中的感兴趣区域进行平滑,并精确得到缺陷目标的边缘,该算法在带钢的缺陷分割中具有较好的性能．     

一种基于灰度投影的带钢表面缺陷检测算法

根据带钢表面缺陷图像的特点提出了一种利用带钢图像的灰度投影进行带钢表面缺陷目标检测的一种算法．该算法首先是把带钢图像分别进行向下和向左的灰度投影,然后在此基础上计算出向下投影与向左投影的投影均值并分别找出其中的最大值与最小值,之后分别把它们做差,如果向下投影均值的差值和向左投影均值的差值中至少有一个超过了给定的阈值则认为图像存在缺陷,否则无缺陷．该算法在多次实验中都能够很成功地完成带钢表面缺陷目标检测的功能．     

冷轧带钢表面缺陷的二级检测与快速判定方法研究

针对冷轧带钢表面缺陷图像采集计算量大、实时性强的特点,在提取灰度信息特征的基础上,采用二级检测的处理方法采集缺陷图像.实验验证结果表明:二级检测模式可以提高检测速度、缩短检测时间,具有良好的生产适应性.     

多传感器信息融合在药材分类系统中的应用

本文针对传统药材分类技术中存在的速度慢、效率低、易受人为因素影响等缺陷,设计出一个基于多传感器信息融合的药材分类系统,完成药材成品的分类和评级。该系统利用图像传感器、气体传感器、味道传感器对药材特征进行量化,提取高维特征向量,通过支持向量机(SVM)训练学习,建立特征数据库,实现对药材的分类和评级。该药材分类系统集图像采集、特征提取、特征分析、模型训练和药材分类等功能于一体,实验结果表明,系统能够区分不同类别的药材,并能对同一类药材进行等级的确定。     

结合结构与梯度的图像哈希算法

为了提高分类性能和运算效率,提出结合结构特征与梯度特征的图像哈希算法. 该算法对输入图像进行预处理提高算法的鲁棒性,将预处理后的图像转换到YCbCr颜色空间,提取亮度Y分量. 利用Y分量的峰顶曲线和峰谷曲线来获取外部结构特征,同时提取峰顶和峰谷的位置信息来构建内部结构特征. 结合外部结构特征和内部结构特征得到图像的结构特征;提取Y分量的横向梯度与纵向梯度来构建图像的梯度特征;将结构特征与梯度特征联合起来并扰乱得到最终的哈希序列. 实验结果表明,所提算法对亮度调整、对比度调整和高斯低通滤波等保持内容的图像处理较稳健. 与已有算法对比,该算法具有更好的受试者工作特性（ROC）曲线和较好的图像分类性能,在篡改检测实验中,该算法可以有效地检测篡改图像.     

光伏航拍红外图像的热斑自动检测方法

针对光伏电站传统巡检技术的高成本、低效率以及准确率不高等问题,提出二阶段式的航拍红外图像热斑检测方法,实现对红外图像中热斑缺陷的组件级定位及精细化分类诊断. 该方法将传统图像处理技术与深度学习方法融合,进一步提升缺陷诊断的准确率与效率. 基于航拍红外图像前、后景灰度值的差异,提出基于边缘检测的组件分割方法来提取光伏组件轮廓以实现组件级定位,该方法以相对较小的硬件需求实现光伏组件有效检出率可达99.3%. 考虑到热斑成因、危害及对应处理方式的差异性,提出基于EfficientNet的红外缺陷分类模型对热斑进行精细的四分类,为电站运维人员提供更为精准的决策支撑,该模型在空间占用20.17 MB的情况下获得97.0%的热斑分类准确率. 经过实验对比分析,论证了本研究所提出的方法在缺陷诊断的效率以及准确率上都较高.     

适于大口径精密光学表面疵病图像的拼接算法

在大口径精密光学表面疵病检测中,针对原有图像拼接算法在子孔径图像数目较多时易产生拼接错位的情况,提出了基于特征分类的多层次图像拼接算法.该算法分为特征分类和多层次拼接2部分：前一部分通过重叠区域内特征的提取和分类,将所有子孔径图像的重叠区域分为4类;后一部分针对4类重叠区域的不同特点,进行4轮拼接,最终得到全景图像.结果表明,该算法能有效避免由导轨累积定位误差和缺陷贯穿数个子孔图像的贯穿型直线特征导致的拼接错位,且较原有算法效率更高.因此,该算法对于实现大口径光学元件表面疵病的高分辨率检测具有重要意义.     

基于深度卷积神经网络的高光谱遥感图像分类

传统的高瀑布图像分类模型只考虑光谱特征信息,忽略了图像空间结构信息在分类中的重要作用。为提高高光谱遥感图像的分类精度,提出一种同时利用高瀑布图像的光谱信息和空间信息的深度卷积神经网络分类模型。通过对低层特征自动分层地学习来提取更加抽象的高层特征,提取的特征具有平移、缩放及其他形式扭曲等高度不变性;基于学习到的深度特征,用logistic回归分类器进行分类训练。高光谱数据实验结果表明,深度卷积神经网络模型能够提高高光谱遥感图像的分类精度,从而验证了深度卷积神经网络进行高瀑布图像分类的可行性和有效性。     

基于宽度学习系统的fMRI数据分类方法

提出基于宽度学习系统的功能性磁共振成像（fMRI）数据分类方法,通过简单结构提取fMRI数据的深层特征,加快分类速度. 使用fMRI中感兴趣区域体素均值的时间序列构造输入数据,分别提取fMRI数据的浅层和深层特征,映射为宽度学习的特征节点和增强节点并构建模型框架,利用岭回归逆计算分类模型的连接权值,实现对fMRI数据的分类. 使用ABIDE Ⅰ、ABIDE Ⅱ和ADHD-200数据集,将所提方法与6种分类方法进行对比实验,结果表明,所提方法可以在保持良好的分类准确率的同时,大幅度降低训练时间.     

基于多描述子分层特征学习的图像分类

为解决图像分类任务中词袋(Bag-of-Words)模型分类算法单一局部描述子信息缺失、特征量化误差较大、图像特征表现力不足等问题,提出一种基于多描述子分层特征学习的图像分类方法.结合尺度不变特征变换(SIFT)与形状核描述子(KDES-S)进行局部特征提取,并构建分层特征学习结构来减少编码过程中的量化误差,最后将图像特征分层归一化后进行线性组合并利用线性支持向量机(SVM)进行训练和分类.在Caltech-101、Caltech-256、Scene-15数据库上进行实验,结果表明:相比其他图像分类方法,本文方法在分类准确率上具有显著提升.     

Image Classification Based on the Fusion of Complementary Features

Image classification based on bag-of-words (BOW) has a broad application prospect in pattern recognition field but the shortcomings such as single feature and low classification accuracy are apparent. To deal with this problem, this paper proposes to combine two ingredients:(i) Three features with functions of mutual complementation are adopted to describe the images, including pyramid histogram of words (PHOW), pyramid histogram of color (PHOC) and pyramid histogram of orientated gradients (PHOG). (ii) An adaptive feature-weight adjusted image categorization algorithm based on the SVM and the decision level fusion of multiple features are employed. Experiments are carried out on the Caltech 101 database, which confirms the validity of the proposed approach. The experimental results show that the classification accuracy rate of the proposed method is improved by 7%-14% higher than that of the traditional BOW methods. With full utilization of global, local and spatial information, the algorithm is much more complete and flexible to describe the feature information of the image through the multi-feature fusion and the pyramid structure composed by image spatial multi-resolution decomposition. Significant improvements to the classification accuracy are achieved as the result.     

自适应控制深度学习和知识挖掘图像分类

针对传统分类方法的局限性,提出了一种深度学习结合知识挖掘的零样本图像自适应控制图像分类算法.利用对图像属性的深度学习来实现图像深层次特征及属性的学习和预测,基于图像的属性-类别映射使分类器性能有较大差异,通过稀疏表示模型挖掘图像类别和属性之间的关系并设计自适应控制的属性分类器实现对图像的分类操作.结果表明,与DBN和SVM算法相比,在监督模式和零样本模式下,该算法具有较高的属性预测准确度.在零样本情况下对Shoes数据集进行分类时,该算法具有最高的准确分类识别率,比其他算法的分类识别率提高了15%.