基于传统图像处理的焊缝射线图像缺陷识别方法

核燃料元件焊缝中可能会出现气孔缺陷,严重影响产品的质量和安全性,为此设计了一种气孔缺陷检测方法,采用高斯滤波、形态学操作、边缘检测、轮廓拟合等方法提取了感兴趣区域,然后采用对比度拉伸、灰度值补偿、双边滤波、自适应阈值二值化等方法对检测图像进行识别。试验结果表明,所提方法实现了焊缝射线检测图像中气孔缺陷的识别,提高了缺陷检测的稳定性和准确性,同时也为处于明暗不均环境下的射线图像中的小尺寸近圆形等类似目标的检测提供了有效思路。     

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...     

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。     

基于X射线图像分割的焊缝缺陷检测方法

目的传统的X射线检测方法存在评片结果容易受到人为因素影响的问题,评片人员在长时间进行评片工作后可能产生疲劳,该文意在解决背景复杂的焊缝图像容易漏检小缺陷目标的问题。方法选用中值滤波进行图像去噪。利用图像的灰度值在焊缝起始和终止位置的灰度变化剧烈的特性,进行了基于灰度变化率的焊缝区域提取工作。对图像进行灰度增强,对每一行的灰度值进行变换,通过对灰度值区间的线性拉伸使缺陷与背景的灰度差增大;提出一种窗口累计式S-T灰度变换,将缺陷的“灰度劣势”进一步拉大,将变换后的缺陷灰度值置于低值水平,将变换后的处于灰度起伏区域的背景像素点灰度值置于中值水平。结果结合图像去噪、图像分割、形态学处理等技术,成功提取出焊缝X射线图像中大灰度起伏背景下的缺陷弱目标。实际检测图像应用该文算法进行检测,检测结果与原图像对比显示,该算法能较准确地提取出缺陷,证明了其有效性。结论基于数字图像处理算法,提出的窗口累计式的S-T变换方法,结合图像去噪、图像分割、形态学处理等技术成功提取出焊缝X射线图像中大灰度起伏背景下的缺陷弱目标。     

基于YOLOv8的铸件DR图像小目标缺陷检测

针对铸造零件X射线DR图像小目标缺陷特征不明显,现有目标检测算法精度不高的问题,提出一种基于YOLOv8的铸件DR图像小目标缺陷检测方法。首先通过CLAHE算法,增加图像对比度,突出缺陷细节。其次对灰度图像进行通道扩充,增加深度学习网络可学习信息。最后改进YOLOv8网络,使用空洞卷积提取更大感受野的初始特征;引入SimAM注意力机制加强重要特征;添加小目标检测层获得较大尺寸的特征图。结果表明,改进的YOLOv8算法对铸件小目标缺陷检测的均值平均精度（mAP）和mAP@0.5∶0.95分别达到了86.1%和52.5%,较原模型分别提高了2.87%和10.10%,铸件小目标缺陷检测精度更高。     

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RGB-D特征融合的焊缝表面缺陷检测方法

金属表面焊缝缺陷的准确检测是确保工件安全使用的前提,由于缺陷与母材颜色相近、图像不清晰等情况,使用常规的2DRGB视觉难以完全检测出所有的缺陷类别,需要添加深度信息来辅助检测. 试验提出一种基于RGB-D数据特征融合的焊缝表面缺陷检测方法,在YOLOv8网络模型的基础上,利用改进的对称主干网络结构提取RGB和深度特征的有效特征层,引入RGB-D数据特征融合模块,实现了RGB特征和深度特性在空间与通道位置的融合,在YOLOv8模型中加入CIoU-NMS(complete intersection over union-non max suppression)非极大值抑制模块,提高了检验框的准确度. 针对随机包含有烧穿、飞溅、焊瘤和气孔4个类别焊缝缺陷的图像进行了试验,结果表明,改进的YOLOv8比YOLOv8漏检率下降了17.84%,误检率下降了19.46%,证明了所述方法的有效性与准确性.     

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。     

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FFA-YOLO的钕铁硼表面缺陷检测

针对烧结钕铁硼产品表面缺陷检测中的复杂背景干扰问题,提出了一种高效的检测方法FFA-YOLO。首先,在骨干网络模块中引入FFA-Net对图像进行去噪处理;其次,在颈部网络层中使用SEAM模块,通过深度可分离卷积学习空间维度与通道的相关性,从而提升在复杂背景下的检测性能。最后,提出了C2f＿DSConv模块,自适应聚焦于细长及曲折的局部结构,提高了分割图像的精确性。实验结果表明,该模型在烧结钕铁硼数据集上较基准模型的mAP@0.5和mAP@0.5∶0.95分别提升了3%和6.6%,模型大小为49.6 MB,GFLOPs为78.7,在保持基准模型轻量化的同时,显著提高了检测性能。     

基于YOLOv5和ConvNext的钢铁表面缺陷检测研究

为解决工业钢铁表面缺陷检测速度慢、准确度低问题,提出一种基于改进YOLOv5网络的检测方法。在YOLOv5网络的FPN特征金字塔模块中加入ECANet模块,以提高检测精度;利用K-Means算法在NEU-DET数据集上重新聚类,生成3组新的先验框,降低网络损失;针对钢铁缺陷的小目标特征,将ConvNext网络应用到YOLOv5的主干网络中,用ConvNext网络提取小目标缺陷特征,增强模型学习能力。实验结果表明,改进后的YOLOv5模型与原YOLOv5模型相比,mAP提升了3.84%,平均检测速率为36.9 frame/s,能够做到快速和准确的检测,满足实际应用需求。     

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。     

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。