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%。     

基于Faster R-CNN的刨花板表面缺陷检测研究

为了克服刨花板表面缺陷人工目视检测的局限性,实现对多种缺陷准确、实时检测,提出一种基于Faster R-CNN的检测方法。运用从工厂生产现场获取的各种表面缺陷图,制作成一个包含3566张刨花板表面缺陷图像数据集,其中主要包括胶块、水印、砂痕、杂物、粗刨花5种缺陷类型。通过用该数据集对Faster R-CNN在ZF、VGG16和ResNet101不同特征提取网络下的不同锚点(Anchor)设置模型分别进行训练、验证和测试,并对比了不同参数对检测精度的影响。结果显示,该方法能有效检测刨花板表面缺陷,且模型在ResNet101作为特征提取网络时准确率最高。在对训练好的Faster R-CNN模型的鲁棒性进行评估和验证中,模型对122张新图像的5种缺陷类型进行检测,测试的5种缺陷类型识别率分别为92.31%、91.84%、90.57%、96.88%和95.24%,平均检测率为93.37%,测试结果表明该方法能为基于机器视觉刨花板表面缺陷检测系统提供良好支撑。     

基于Faster R-CNN算法的列车轴承表面缺陷检测研究

将深度学习Faster R-CNN应用于列车轴承图像的表面缺陷检测.建立人工数据库BSD,通过对图像增广弥补数据不足的缺陷;采用Faster R-CNN算法进行目标检测和识别,卷积神经网络采用ZF Net模型,对BSD数据集训练,得到检测结果;并与传统检测方法Canny算法的检测结果进行比较.试验结果表明:和传统Can...     

基于改进Faster R-CNN的航空发动机制件表面缺陷检测算法

针对现有航空发动机制件缺陷检测所存在的检测准确率低、速度慢等问题,提出一种基于改进Faster R-CNN算法的缺陷检测方法。该算法使用深度残差网络提取缺陷特征,采用含有内容感知重组的特征金字塔模型融合各层次特征图,并根据检测框尺度选取相应层次的特征图进行检测和识别,在RCNN部分使用分层采样实现挖掘难例,增强模型对难例样本的学习。实验结果表明:所提算法具有较高的检测准确率,而且能够有效提升检测速度。     

基于改进的Faster-RCNN模型的汽车轮毂表面缺陷在线检测算法研究

目的 通过构建轮毂在线生产视觉检测系统，预测轮毂生产过程中轮毂表面的缺陷。方法 根据轮毂表面缺陷的定义和评价标准，给出了轮毂表面缺陷的计算模型，采用了改进型的Faster-RCNN目标检测算法，引入了深度生成式对抗网络，消除图像的模糊性，再利用清晰的轮毂表面图像进行模型训练，结合领域专家的判别标准，优化网络参数，构建轮毂表面缺陷检测模型。利用深度学习Pytorch框架，在NVIDIA Tesla P100图像加速卡上进行模型训练，并对模型结果进行对比性实验分析，找出最优的预测模型。结果 在基础网络部分，采用残差模型ResNet101网络比采用VGG16模型的准确率提高了24%。在目标检测网络模型中引入了多通道特征融合模块，准确率提升了2%。再引入FPN金字塔模型，融入低级和高级语义信息，使得输出的多尺度的预测特征图谱效果更好。最后把残差网络的ROI-Pooling算法改为ROI-Align算法，准确率提高了5%。通过对网络模型的不断改进和优化，轮毂表面缺陷的识别率不断提高。结论 利用改进型的Faster-RCNN网络能够识别出轮毂表面缺陷的种类和位置，满足生产环境的要求，具有一定的工程应用价值。     

基于Faster R-CNN神经网络的钢卷端部缺陷检测

钢卷的端部质量不但影响后续生产的效率和稳定性,还影响产品的整体产品质量.然而目前国内外大部分钢铁企业仍是靠人工进行检测,尚未有高效、准确的设备对端部质量进行监控.为此,研究了通过机器视觉和Faster R-CNN神经网络对钢卷端部缺陷进行定位和检测的方法.研究发现,Faster R-CNN神经网络在经过足量的有效数据训...     

基于改进YOLOv5的焊接件表面缺陷检测

为提高工业环境下焊接件表面缺陷检测精度与检测效率,提出一种改进YOLOv5目标检测模型的焊接件表面缺陷检测算法。首先,改进主干网络中的C3模块,包括引入ConvMixer混合卷积结构及Mish激活函数,并增加Shuffle Attention注意力机制,实现在提高检测精度的同时降低模型复杂度;其次,针对NWD Loss存在的不足加以改进,使其关注更多边界框几何信息;最后,将Neck中的所有标准卷积层更换为GSConv卷积层从而进一步提升网络性能。实验结果表明,改进后网络的mAP达到91.3%,与原始网络相比,提高了4.8%,并且参数量与计算量分别减少21.4%和8.9%,检测帧率达到142.9 f/s。改进模型在提高检测精度的同时降低了结构复杂度,满足工业生产中对于焊接件表面缺陷检测要求。     

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。     

基于卷积神经网络的工件表面缺陷检测方法

为了提高工件表面缺陷检测的准确率,基于卷积神经网络的原理和工件表面缺陷检测的应用背景,对分割网络模型进行了改进.改进的分割网络模型中优化分割模块中的卷积层和卷积核大小,下采样时使用最大池化代替大步长的卷积.决策模块中通过改变卷积层和池化层得到更多的输出神经元,获得了更多的工件特征.实验验证表明,改进的分割网络模型应用到...     

基于改进BiFPN的微特电机电枢表面缺陷检测方法

针对现有微特电机电枢表面缺陷检测方法存在检测精度不高,特别是对相似性工件容易误判等问题,结合深度学习的方法,提出一种基于改进BiFPN的电枢外观缺陷检测方法。工业相机采集到的电枢图像通过匹配算法经过裁剪得到ROI,将ROI输入到EfficientNet结构,进行基础特征提取;采用通道注意力机制增强改进的BiFPN结构,对提取出的不同维度特征进行融合,并对特征进行筛选;使用分类器输出最终检测结果。结果表明：该电枢外观缺陷检测方法检测准确率优于ResNet和EfficientNet等深度学习检测方法,其检测准确率高达98.42%。研究结果对相似性较大的微特非标工件的检测性能提升有积极意义。     

一种非线性扩散与图像差分的金属表面缺陷检测方法

目的为检测金属产品表面缺陷提供一种有效的方法,希望可以对金属产品表面质量进行监控。方法首先,引入自适应中值滤波方法对原始图像中的噪声进行滤除,以提高金属表面缺陷的检测正确度。然后,利用图像梯度的倒数对传统的P-M非线性扩散模型中的扩散因子进行改进,使得金属表面图像中梯度值较大的区域得以平滑,同时保持其他区域的平滑度不变。将金属表面的原始图像与经过非线性扩散后的图像进行图像差分运算,以消除光照度对金属表面图像的影响,获取均匀背景的金属表面图像,使得缺陷区与非缺陷区的对比度得以增强。最后,通过差分图像中图像块的标准差构造自适应二值化模型,对差分图像进行二值化,以提取金属表面的缺陷区域,实现对金属表面缺陷的准确检测。结果通过对具有划痕、裂纹、缺口以及锈斑缺陷的图像进行检测表明,该方法能够对金属表面缺陷进行准确的检测。结论所设计的方法能对金属表面缺陷进行检测,并且检测精度也优于当前其他金属表面缺陷检测方法。     

基于机器视觉的线缆表面缺陷快速检测算法研究

利用机器视觉技术检测线缆表面缺陷时,检测时间长、漏检率高。为此,提出一种基于机器视觉的线缆表面缺陷快速检测算法。通过引入CV-Kmeans区域分类算法建立自适应滤波窗口改进高斯滤波算法,在此基础上建立自适应模板,然后计算原图像与模板的Pearson(皮尔逊)相关系数快速判断图像是否含有缺陷。对含有缺陷的图像进行模板与原图差分,最后对差分所得到的图像用自适应阈值分割法提取缺陷。实验表明,算法可有效识别缺陷并减少检测时间,漏检率为3.22%,满足线缆生产需求。     

基于YOLOv5s网络改进的钢铁表面缺陷检测算法

针对目前钢铁表面缺陷检测算法存在检测精度低、检测速度慢和模型复杂度高等问题,提出基于YOLOv5s改进的钢铁表面缺陷检测算法。将SE通道注意力模块融入骨干网络中以增大缺陷特征通道权重,降低背景干扰,提高算法对缺陷特征的提取能力;在颈部网络融入STR多头自注意力模块,提高缺陷边缘纹理等细节特征的比重;改进损失函数为SIoU,缩短预测框回归收敛过程以提高算法检测速度。实验结果表明：改进算法在NEU-DET数据集上的mAP值为80.4%,较YOLOv5s提高5.5%,每秒处理帧数为100,算法体积降低约8.3%,算法计算量降低约4.3%,对比其他的目标检测算法,改进算法在检测精度、检测速度上均明显提升,模型复杂度降低明显。改进算法可满足实时钢铁表面缺陷检测需求。     

基于机器识别的带钢表面缺陷检测研究

针对传统带钢表面缺陷检测技术落后、效率不高及小目标识别能力不足等问题,提出一种改进的YOLOv5s-Tiny目标检测模型,在保持模型较小计算量的同时提升检测速度和识别精度。通过将主干网络GSP-Darknet53替换为轻量级GhostNet网络,减少模型参数的数量,提高推理速度。在主干网络加入CBAM注意力机制,通过通道注意力机制和空间注意力机制对特征信息进行融合增强,提高小目标检测精度,并将损失函数GIoU改进为EIoU,提高检测框定位能力。最后将改善后的训练模型格式转换后安装到手机安卓端验证优化的有效性。结果表明：在东北大学数据集中,改进后模型检测精度提高1.5%的同时,召回率提升了1.5%,参数量减少12.3%;安卓端检测速度约为120 ms,完成带钢缺陷的实时检测。     

级联结构与Faster R-CNN相结合的焊缝缺陷检测

针对目前风电塔筒焊缝缺陷人工检测或自动检测方法中存在的安全性差、效率低和准确率低等问题,提出一种改进Faster R-CNN焊缝缺陷检测方法。首先,制作焊缝缺陷样本数据集,并对有限的数据集通过数据增强技术进行样本扩充,改进RPN网络,利用K-means聚类方法生成更加接近目标区域的anchor box;同时结合ResNet深度残差网络,获取更小的焊缝缺陷细节特征,最后为了能获得精确的缺陷位置,采用一种基于IOU(intersection over union)值的三层级联结构。实验结果表明,改进后的Faster R-CNN模型对5种焊缝样本的检测mAP值为89.6%,对工厂的实际操作有较高的应用价值。