基于机器视觉的接头组件表面缺陷检测系统研究

为了解决金属软管接头组件表面检测精准度不高和检测效率不高的实际问题,设计一套基于机器视觉的接头组件表面缺陷检测系统。针对接头组件图像背景复杂、噪声干扰多,通过使用图像滤波去噪、Otsu算法二值化以及图像形态学分析,提高图像的对比度,有效提取目标检测区域。而后采用Canny边缘检测算法,对图像进行边缘轮廓精准识别,并采用快速傅里叶变换方法和R-FCN算法,对缺陷特征信息快速进行匹配提取和分类处理。试验结果表明:此缺陷检测系统能有效提高检测效率,保证较高的检测准确率和精度,满足实际工业检测的需求,具有较好的实用价值。     

基于优化Gabor滤波器的铸坏表面缺陷检测应用研究

目的提高金属铸坯表面缺陷检测精度。方法由于金属铸坯表面上存在鱼鳞状构造,其亮度和背景区域纹理特征不一致,而且有缺陷和无缺陷的区域的灰度值极其相似,使得缺陷非常难以准确检测出来。为解决上述问题,以便更有效地检测表面缺陷,通过详细分析金属铸坯表面缺陷特征,将该类零件表面缺陷分为两种类型,提出一种基于优化Gabor滤波器的金属表面缺陷检测算法,该算法通过设计两种评价函数,利用评价函数最大限度地提高无缺陷和缺陷区域之间的能量差,以选取Gabor滤波器四个最佳参数,同时使用双阈值滤波方法,以减少由于噪声和伪缺陷引起的测量误差。结果利用3种滤波算法对四十幅带有缺陷的图像进行试验,实验表明该算法在角部裂纹、细裂纹和伪裂纹检测精度分别达到92.50%、92.50%和95.50%。结论 Opt-Gabor算法能根据已分类的两种不同类型的裂纹较为准确地检测出铸坏表面缺陷,在测量精度上略优于其他几种算法。     

射线检测底片缺陷图像的预处理技术

图像识别技术是人工智能在焊缝射线检测技术领域的典型应用场景之一,开展图像识别技术在工业焊缝检测和智能监测中的研究和应用,对推动无损检测智能化发展具有重要意义。射线检测底片缺陷图像预处理能够在短时间内将复杂图片简单化,为后续的缺陷识别打好基础。X射线检测原始图像灰度区间窄,对比度低,噪声大,为解决这一问题,采用不同的降噪处理与对比度增强图片预处理方法,开展了射线检测底片预处理试验,并根据实际检测效果优化了参数,改进了算法。试验结果表明,降噪方面,中值高斯组合滤波的降噪效果较好;对比度增强方面,线性变换的对比度增强效果较好。     

基于激光散斑的蜂窝复合材料缺陷检测

通过基于激光散斑检测技术的缺陷信息提取方法,可快速判断缺陷的位置及大小。基于散斑干涉原理,对图像降噪进行了研究分析,试验结果表明,通过傅里叶滤波、图像线性趋势处理、灰度处理、分步解包等图像综合处理技术可有效提取散斑干涉信息,缺陷信号比较清晰。针对该研究结果,对飞机雷达罩进行检测时,运用图像综合处理技术获得缺陷的相关信息,验证了采用该方法提取层压结构和纸蜂窝结构缺陷信息的可行性,有效提高了激光散斑检测的工作效率和可靠性。     

表面检测缺陷图谱的特征分析

表面检测能探测到材料表面或近表面人眼所不能察觉到的缺陷,是常规无损检测的一个重要组成部分。在收集了大量带有各种特征表面缺陷的航空零件的基础上,阐述利用荧光渗透、着色、磁粉等表面检测技术,选择最佳工艺规范,检测出工件表面缺陷的基本原理,并将其制成图谱。对实际应用有较好的参考意义。     

基于BP神经网络的表面缺陷检测分类

精密轴承应用广泛,精度要求高,轴承表面缺陷对其使用影响很大。因此,对轴承缺陷的检测很有必要。目前的检测以人工为主,但当缺陷小于0.075 mm时人眼就很难识别。以CCD摄像机为视觉结合图像处理技术,设计一种轴承在线检测方法,能够在很大程度上提高检测效率和检测精度,最后利用BP神经网络进行缺陷分类,实验结果表明:分类正确率可达92.7%,符合工业要求。     

基于深度学习的曲面玻璃表面缺陷检测方法

针对曲面玻璃表面缺陷成像难、识别准确率低等问题,提出一种基于YOLOv4的曲面玻璃表面缺陷检测方法。根据光源的方向确定平面与曲面的光学特性,采用明场背面漫射照明的方式来获得图像信息,确立打光方案后获取不同表面的缺陷图片。使用改进K-means聚类算法,采用交并比函数确定锚框的量度,解决原锚框大小不适用于玻璃缺陷小目标检测问题。将所提方法与缺陷检测主流算法对比验证。结果表明：所提改进的YOLOv4方法均值平均精度(mAP)可以达到80.14%,与Faster RCNN以及YOLOv3算法相比,mAP分别提升了8.29%和16.11%,并且有更好的鲁棒性和检测效果。     

基于LabVIEW的墙地砖表面缺陷自动检测与等级分类

利用PXI总线控制器以及IEEE-1394接口的图像采集设备构建机器视觉系统，应用计算机视觉以及数字图像处理技术实现了墙地砖表面缺陷的自动检测及等级分类。在墙地砖自动检测应用程序的设计中，首先应用IMAQ Vision Assistant进行主要算法的开发，再在LabVIEW的开发环境下对算法程序进行更加柔性的配置，并开发出具有人性化的界面，便于控制和处理。所研究的系统能对墙地砖表面疵点、缺损、鼓泡和裂痕等缺陷进行实时检测及等级分类，并得出详细的缺陷检测报告以及实现数据库管理等功能。     

焊缝射线检测图像的缺陷搜寻与算法优化

基于X射线成像的焊缝缺陷自动检测技术对提高工业射线检测的自动化水平具有重要意义。在通过图像处理算法进行焊接缺陷提取的过程中,存在各种干扰,要求算法有很强的抗干扰能力。尝试了均值滤波背景相减和底帽变换两种缺陷提取算法,并分析存在的主要问题。针对这些问题,提出相应的解决办法,即模板优化算法和多特征再筛选算法,有效地解决了缺陷误检和漏检之间的矛盾。     

基于多任务特征层共享的表面缺陷检测

在基于卷积神经网络的工业表面缺陷检测中,往往将缺陷检测任务视为单任务进行学习.针对单任务学习数据来源单一、样本量缺乏的问题,提出了一种基于多任务特征层共享的表面缺陷检测方法(Feature-shared Multi-task Network,FSMTNet).该方法首先对原图像数据分别进行高斯滤波和canny算子边缘提...     

基于多曲率融合的铣刀缺陷检测

针对传统人工检测铣刀崩刃和多刃缺陷时效率低下、精度不高等问题,提出一种基于形态学多曲率融合的铣刀崩刃、多刃缺陷检测方法。首先,使用色彩阈值分离前后景;然后,使用双边滤波对图像进行滤波处理;随后,二值化图像并去除小连通域的干扰,通过边界跟踪得到刀刃轮廓;最后,使用改进的链码计算机制进行刀刃轮廓曲度的计算,并通过曲度定位缺陷点。经过实验验证,该检测方法具有平均0.8 s每样本的检测速度和92%的检测精度,能满足工业生产在线检测的要求。     

基于二进制粒子群算法的模具表面缺陷检测研究

为了提高模具表面缺陷检测的质量,采用二进制粒子群算法。首先建立测量模型,包括光学景深模型、成像系统景深模型、系统成像几何模型标定。接着对粒子位置的每一维分量被限制为1或0,对应模具表面检测过程中的有缺陷或无缺陷判决;然后利用sigmoid函数将粒子的速度转换到区间[0,1]上,并且修正粒子的位置;最后在二维平面内建立有限元模型和判决准则。实验仿真给出了各个方向的数据优化效果和不同算法空间数据迭代效果,相比其它算法新的算法对模具表面缺陷检测的过检率、正检率、漏检率指标较好。     

射线检测图像中焊缝和缺陷的提取方法

针对射线检测图像中焊缝和缺陷难于准确检测提取问题,基于逐级局部化处理,提出了一种实用的检测方法.方法充分利用了图像本身已包含的信息,首先通过条带区域特征检测确定焊缝区域在原始图像中的大致位置,然后通过列灰度波形分析确定焊缝边界和缺陷所在的局部区域,并粗分标记区域类型为非裂纹类和裂纹类,最后分别采用基于分水岭变换和Bea...     

基于神经网络的磁瓦表面缺陷检测识别

目的针对传统算法提取磁瓦表面缺陷的局限性,以及通过人为选择缺陷特征进而判断缺陷种类的方法精度不足等问题,结合改进的UNet模型和一个分类神经网络提出一种磁瓦缺陷检测识别算法。方法改进的UNet模型用于提取缺陷,而分类神经网络则用于对所提取的缺陷区域进行分类识别。为了提高模型的分类精度,使用空洞卷积对UNet模型部分卷积层和池化层进行替代,以减少多次池化带来的细节丢失的问题,同时,增加多次跳跃连接,使UNet模型能够融合更多的卷积特征。结果经实验验证表明,改进UNet模型对缺陷区域的预测精度可达到93%。根据预测结果使用分类神经网络对缺陷进行分类,经实验验证,分类的精度可达94%,满足工业要求。结论改进的UNet模型对磁瓦缺陷提取精度有所提高,分类神经网络的缺陷分类精度较高。结合改进的UNet模型和分类神经网络能同时并有效地实现缺陷提取和分类识别,为磁瓦质量检测和性能评估打下基础。     

一种基于图像展开与拼接的精密轴承表面缺陷光学检测方法

建立一种基于机器视觉的精密轴承表面缺陷光学检测系统。利用图像展开和拼接技术获得轴承侧面完整而又没有重复的二维图像,在此基础上对微小轴承表面缺陷进行检测、缺陷提取和分类。实验结果表明:采用该方法能够快速、高效地检测出微小精密轴承表面大于10μm的缺陷形貌;能够准确地对凹坑、裂纹和划痕缺陷进行分类。     

圆钢表面缺陷视觉检测技术研究现状与展望

随着工业上对原材料质量要求的提高,圆钢表面缺陷检测成了工业生产中必不可少的组成环节。表面缺陷检测技术主要分为传统无损检测方法和机器视觉检测方法两类,机器视觉检测方法由于高实时性和高准确性而使用更加广泛。文章介绍了基于机器视觉的圆钢表面缺陷检测技术特点以及国内外最新研究进展,分析了视觉检测技术工作原理和几个关键问题,指出该领域内同仁应该积极吸收国内外先进技术并推陈出新,共同促进机器视觉检测技术的进步。     

基于改进Faster R-CNN的轴承表面缺陷检测

针对轴承表面缺陷小、几何形状多变以及低对比度的特点,提出了一种改进的Faster R-CNN算法,对轴承表面缺陷进行检测。首先,以ResNet-50结合特征金字塔网络对轴承表面缺陷进行特征提取;其次,在改进的特征提取网络中引入可变形卷积,通过卷积学习偏移量自适应调整感受野,提高了缺陷的提取能力;最后,针对ROI Pooling因二次量化而导致的区域不匹配问题,采用基于双线插值的ROI Align改进ROI Pooling。实验结果表明,在采集的轴承表面缺陷数据集上,改进的Faster R-CNN平均精度均值为97.6%,与改进前相比,提高了11.76%,可以实现对轴承表面各类缺陷更为准确的检测,具有较强的实用性。     

基于改进Faster R-CNN的钢板表面缺陷检测北大核心

针对钢板表面缺陷检测难的问题,使用改进的Faster R-CNN模型对两种带钢的8类表面缺陷进行检测。首先,对数据进行增强,获得钢板表面缺陷数据集;其次,使用VGG16、MobileNet-V2、ResNet-50三种不同特征提取网络在数据集上对模型进行训练、测试,对比模型精度,确定具体任务下的最优特征提取网络;然后,使用K-means算法对缺陷数据进行聚类分析,定制出更适合钢板表面缺陷的锚框方案;最后,融入特征金字塔网络,进一步提高模型性能。实验结果表明,改进后的模型对低对比度微小缺陷的检测能力有了明显的提高,mAP值达到98.44%比原始的Faster R-CNN模型提高了13.85%。     

工件表面缺陷图像检测中的自适应聚类

目的 针对工件表面形态复杂、干涉交叠缺陷难以实现自动分离、分类图像检测的情况,提出一种工件表面交叠缺陷自适应图像聚类方法。方法 首先提取工件表面缺陷二值图像,采用混合概率主成分分析器估计缺陷位置各像素点局部切空间信息,并改进局部切空间之间的相似性矩阵;然后通过改进局部密度峰值自适应方法,基于相似性矩阵确定聚类中心点和数目;最后通过谱多流形聚类,将各分析器所包含的像素点分配至不同缺陷流形结构中,实现多个交叠缺陷分离、检测。结果 首先通过比较计算与实际测量的长度、宽度来验证该方法对相互交叠结构缺陷良好、准确的分离效果,平均相对误差分别为0.957%和0.650%。其次为了体现该方法对于分离工件表面相互交叠缺陷的有效性及优越性,使用k-means聚类、谱聚类与该方法进行对比实验,证明了该方法良好的聚类效果。最后对所设计方法的稳定性进行测试,统计检测结果的平均ME值均在6%以下,正确聚类数目率高达99%~100%。结论 该方法能够较为准确地自动识别工件表面图像中存在相互干涉的不同缺陷,并进行分离。     

基于超声杂波抑制的缺陷检测

超声TOFD(time of flight diffraction,衍射时差)法检测的D扫描图像中,作为背景杂波的侧向波与近表面缺陷波会发生混叠,致使近表面缺陷不易于检测. 针对这一问题,提出一种基于杂波抑制的缺陷检测方法. 该方法通过图像能量分布统计,确定背景杂波分量并予以去除,从而分离出与其混叠的缺陷信号,实现近表面缺陷的检测. 建立了的超声TOFD法检测信号的数学模型,阐明了基于图像能量分布的杂波抑制原理. 制作了人工缺陷试块及实际焊缝试块,并对其检测获取的图像进行了杂波抑制处理. 结果表明,提出的方法可有效去除图像中的非缺陷目标、提取近表面缺陷波,从而提高系统的有效检测范围.