基于深度学习的大规模图像高效识别算法研究

面对规模较大的图像识别任务时,基于卷积神经网络的深度学习方法存在训练时间过长的问题,导致识别效率不高。因此,提出一种基于局部特征深度信念网络的大规模图像高效识别算法。首先,该方法从原始图像中提取多个局部特征,并根据分配给图像的标签将每个局部特征分类。然后利用分类后的图像局部特征训练深度信念网络,获得网络的相关参数。最后利用深度信念网络进行图像识别。在CAS PEAL R1 大规模图像数据集上进行了图像识别实验,结果显示:提出的算法优于其他深度学习方法,具有较好的准确性和高效性。     

基于深度学习的大规模图像高效识别算法研究（英文）

面对规模较大的图像识别任务时,基于卷积神经网络的深度学习方法存在训练时间过长的问题,导致识别效率不高。因此,提出一种基于局部特征深度信念网络的大规模图像高效识别算法。首先,该方法从原始图像中提取多个局部特征,并根据分配给图像的标签将每个局部特征分类。然后利用分类后的图像局部特征训练深度信念网络,获得网络的相关参数。最后利用深度信念网络进行图像识别。在CAS-PEAL-R1大规模图像数据集上进行了图像识别实验,结果显示:提出的算法优于其他深度学习方法,具有较好的准确性和高效性。     

一种基于改进Faster RCNN的金属材料工件表面缺陷检测与实现研究

目的 针对传统检测算法在工件表面缺陷检测上的局限性,以及检测精度不高、准确率较低、检测过程繁琐等问题,提出了一种基于改进RCNN的金属材料工件表面缺陷检测算法。方法 图像预处理过程中,运用了图像缺陷定位标注与图像数据的增强处理的方法。模型训练时为了避免某些分类数据不足,防止因数据集过小导致系统测试模型出现过拟合现象,使用了对原图像进行数据扩增处理。检测网络模型设计时,采用非极大值抑制算法对缺陷图像进行候选区域筛选,构建了区域建议网络,实现网络多层特征的复用和融合,在减少候选区域冗余的基础上提高系统的检测精度。引入多级ROI池化层结构设计算法,消除ROI池化取整而产生的系统偏差,实现高效并准确检测零件表面缺陷的目的。基于ROI-Align算法的原图位置坐标改进,利用双线性插值法获得原图的位置坐标,克服了基于最近邻插值法的ROI-Pooling设计算法带来的像素位置偏移和检测不匹配（misalignment）的问题。结果 设计的检测方法在测试集上,金属材料工件表面目标缺陷检测速度达22 帧/s,准确率达97.36%,召回率达 95.62%。结论 与传统的工件表面检测方法相比,改进的FasterRCNN方法对目标识别与定位处理具有较快的速度与较高的准确度,能在复杂场景条件下,提升工件表面缺陷的检测性能。     

基于深度学习的铝合金轮毂铸件图像缺陷检测

基于传统X射线图像的铝合金轮毂铸件缺陷检测方法存在人工检测效率低、误检率高、检测精度较差等问题,提出一种基于深度学习的铝合金轮毂铸件图像缺陷检测方法。通过引入直方图均衡化方法,实现533组铝合金铸件X射线图像缺陷特征增强;同时基于Mosaic数据增广策略随机生成含有多尺度不同缺陷类型的新图像数据,提升图像的复杂度;修改了YOLOv5主干网络,引入SENet注意力机制模块对输入特征图的重要通道进行特征提取增强。结果表明,该方法对铸件缺陷平均检测精度(mAP)达到了99.6%,对比YOLOv3、YOLOv4以及YOLOv5主流算法,平均检测精度分别提升了9%、5.1%、4.2%。相较于原网络模型,常见的4种类型(气孔、缩松、裂纹、夹杂)铸件缺陷平均检测精度提升了10.83%。该方法具有更好的泛化能力,可实现铸件多类型缺陷的自动检测,能够满足工业实际需求。     

冷轧铜带表面缺陷智能识别方法

表面质量是冷轧铜带重要质量指标之一。为实现铜带表面缺陷的精准自动检测,首先对常见表面缺陷进行分类,并制作了铜带表面缺陷图像数据集(YSU＿CSC);然后,以卷积神经网络EfficientNet为核心,基于迁移学习策略,通过训练实验建立了冷轧铜带表面缺陷智能识别模型,同时与其他三种常用的卷积神经网络缺陷识别结果进行对比。结果表明：该模型的精度较高,准确率达到93.05%,单张缺陷图像平均识别时间为197 ms,综合性能较好,可以满足工程要求;最后,将该模型在测试集上的缺陷识别结果进行可视化,分析了该模型对部分图像识别错误的原因,给出了进一步优化的方向。     

基于ShuffleNetv2-plus-YOLOX算法的压铸件缺陷检测

针对压铸件缺陷检测的数据集难以收集、检测效率较低以及工作环境较差等问题,开发了基于YOLOX模型的压铸件缺陷检测软件。用自开发软件的数据增强模块对原始数据集进行增强,解决了压铸件缺陷数据集不充裕的问题;随后将YOLOX算法的Darknet53结构替换为ShuffleNetv2-plus结构,使得利用YOLOX模型检测压铸件缺陷的平均检测精度由原模型的86.51%提升至89.19%,提升了YOLOX模型识别压铸件缺陷的准确率。     

基于YOLOv5的换向器表面缺陷检测算法研究

在零部件制造和使用过程中,可能会在零部件表面出现缺损现象,而零部件在反复使用过程中其微小缺陷可能扩大甚至使损坏零部件,进而导致零部件所在系统发生故障。以工业用典型零部件换向器为研究对象,提出了基于深度学习算法的零部件缺陷检测方法。研究中,基于KolektorSDD数据集,首先采用Mosaic数据增强方法对换向器缺陷数据集中的数据进行旋转、裁剪等处理,对数据集进行扩充,构建数据集。其次,将构建的数据集划分为训练集和测试集。采用构建的训练数据集,搭建深度学习框架并采用YOLOv5卷积神经网络训练模型,建立换向器表面缺陷识别模型。最后,采用构建的识别模型对测试集中的数据进行测试。结果表明,训练模型性能评价指标平均精确率均值(mAP)及正样本召回率(Recall)均高达95%以上,采用深度学习中YOLOv5目标检测算法对换向器表面缺陷的检测精度可高达90%。     

基于改进VGG13的冲压件表面缺陷识别方法研究

针对现有冲压件制品缺陷检测方法准确率低的问题,分析深度学习的原理与方法,以VGG13网络为基准模型,通过在特征提取层之后增加CBAM模块进行改进,提出5种基于VGG13与CBAM注意力机制模块相结合的网络模型（VGG13-CBAM）,将改进后的新模型与改进前原VGG13模型分别在武汉某制造车间采集的冲压件缺陷数据集上进行实验研究。将数据集以6∶2∶2划分为训练集、验证集、测试集,并使用数据增强进一步扩充训练集,增加模型泛化性能,对比数据增强前后效果的提升。实验结果表明：在改进后的VGG13-CBAM03网络与VGG13-CBAM04网络上效果明显提升,测试集正确率由79.65%分别提高到了81.55%和81.40%,在使用数据增强对训练集进行扩充后,测试集正确率分别达到84.25%和84.15%,有效提升了冲压件缺陷检测准确率。     

针对钢材表面小目标缺陷实时检测

钢材表面缺陷检测任务中，YOLO将目标检测转换为对位置信息的回归问题，实现高帧率实时检测，但对小目标缺陷定位精度有所欠缺。针对该问题，以YOLOv5s架构为基础，首先，在模型输入端设定动态尺度训练范式，提高小目标缺陷训练精度；其次，设计STD-CA模块利用图像转换技术，避免下采样过程中分辨率的降低，导致小目标缺陷特征信息的丢失，并引导特征提取能力，降低无关背景特征关注度，进一步提高模型小目标缺陷检测精度。结果表明，在NEU-DET数据集中，改进后模型在保证检测速度保持在54 frame/s的同时，平均精度均值达到86.6%,较YOLOv5s提高17.6%,对小目标缺陷定位更加准确，目前优于其他深度学习钢材实时检测模型。     

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%。     

基于深度学习的带钢表面缺陷检测在小样本数据集的应用

随着人工智能技术的发展,深度学习已经逐步应用于带钢表面缺陷检测,但是模型训练所需的海量样本及其标注极大地增加了工作量,限制了其广泛应用。将SSD深度学习网络应用至带钢常见缺陷的识别,经过系统的参数优化过程,最终仅在包含1 022个训练样本的小数据集下成功建立了高精度缺陷检测模型,并取得了87.8%的缺陷识别精度。同时,该模型对通卷带钢采集图像检测耗时不足20 s,具有较高的检测效率,为其后续工业推广应用奠定了基础。     

基于Faster-RCNN的船舶焊缝X射线缺陷图像检测技术应用

将目标检测网络Faster-RCNN应用在船舶焊缝X射线缺陷图像检测中,探讨了Faster-RCNN在X射线焊缝缺陷检测中的效果。针对船舶工业中的X射线焊缝图像,首先采用CLAHE方法对焊缝X射线图像进行预处理,并将焊缝中存在的气孔、裂纹、未熔合等5种具有典型特征的缺陷作为识别目标进行标注并对数据进行增强。在目标识别上,采用ResNet-50作为主干网络来减少梯度弥散现象提高模型准确率,并针对焊缝缺陷目标小的特点对RPN网络锚点参数进行改进优化,同时引入FPN网络提取缺陷特征。最后与其他检测算法进行对比,试验结果表明,该数据集在模型上的m_AP值达到96.33%,可以满足X射线焊缝缺陷自动化辅助检测要求。     

基于迁移学习的塑件外观缺陷柔性检测方法

卷积神经网络大数据与尺寸标注少、大数据与强计算之间的矛盾限制了塑件外观检测自动化的发展,迁移学习方法通过共享网络结构、特征参数等方法,可以在样本数量较少的情况下快速训练新的模型,有效缓解上述矛盾。考虑塑件外观缺陷种类繁多,但外观缺陷特征基本一致,基于此,提出了共享模型中低维特征参数的柔性外观缺陷检测方法,该方法首先通过卷积神经网络提取外观缺陷的抽象特征,训练一个目标检测模型,在需要检测类似缺陷时,将该模型最后一层重新初始化后作为预训练模型,获得识别该缺陷特征的经验知识,最后通过少量样本对重新初始化后的模型进行微调,快速训练得到一个新的检测模型。     

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YOLO_v4的空心杯电枢表面缺陷实时检测

在空心杯电枢的绕制工艺过程中,绕线机异常工作会造成电枢表面出现孔洞等影响空心杯电机寿命的缺陷,为解决空心杯电枢表面微小缺陷检测过程中存在的准确率低、检测速度慢、不能实时检测缺陷等问题,文章提出一种基于YOLO_v4的空心杯电枢表面孔洞缺陷检测方法。对采集的图片进行数据增强及K折交叉验证,提高模型的鲁棒性,以避免训练模型过拟合;借助CSPDarknet53网络及SPP模块提取输入原始图像的特征,通过训练获得针对空心杯电枢表面缺陷的检测模型,提升YOLO_v4缺陷位置检测及识别的精度;在搭建的实验平台上采集数据并验证基于YOLO_v4提出方法的有效性。实验结果表明该方法可有效满足工业生产复杂背景下电机电枢表面微小孔洞缺陷检测的要求。     

基于改进DG-MobileNet模型的焊缝缺陷识别方法

针对焊接缺陷识别及分类过程中，传统卷积神经网络识别准确率低、适应性差和低效等问题，提出一种基于融合空洞卷积的DG-MobileNet焊接缺陷识别模型。首先，基于MobileNet模型将深度可分离卷积与空洞卷积相结合以扩大卷积核感受野；然后，引入DropBlock模块和批量规范化算法优化焊接缺陷特征提取过程和防止过拟合现象；其次，引入SENet自注意力机制进行特征重标定，提升焊接缺陷识别效率。此外，考虑到焊接缺陷数量类不平衡问题，采用DCGAN进行数据增强并在增强后的数据集上验证模型有效性。实验结果表明，相比于传统算法，DG-MobileNet在焊缝缺陷图像特征提取、识别准确率和耗时方面均具有更好的效果，其测试准确率达到98.62%。     

基于离焦图像的晶圆表面缺陷检测

缺陷检测在晶圆生产中起着关键作用,在利用机器视觉检测晶圆缺陷时,无论晶圆有无缺陷均进行自动对焦,从而导致检测效率降低,针对该问题,提出了一种基于离焦图像的晶圆表面缺陷检测方法。可在对焦前下对晶圆进行评估,检测缺陷后进行对焦,首先在频域中对晶圆图像进行自适应背景估计和去除,得到光照均匀、特征突出的检测图像;然后使用区域合并的优化分水岭算法进行图像分割;最后对分割后缺陷区域进行缺陷识别。实验结果表明,该方法可以准确鉴别晶圆图像是否存在缺陷,对于存在缺陷的样本,缺陷检测准确率可达95.3%,提高了检测效率。     

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。     

基于机器视觉的电枢缺陷检测系统

为解决现阶段依靠肉眼进行电枢缺陷检测的效率低下和因为判断标准具有很大的主观性导致判别结果不稳定等问题,研究出了一种基于机器视觉的电枢缺陷检测系统。该系统可以采集到电枢不同角度的图像,并根据检测难度把每张电枢图像分为三个区域,分别由传统机器视觉算法、MobileNet-V3以及DenseNet神经网络模型对不同类型的缺陷同时进行检测。该系统所用到的数据集通过质检人员分类获得,可以保证标准的正确性。不同类型的缺陷分开检测可以提升系统的准确率,多区域同时检测可以提高系统的检测效率。实验表明,该系统在微型电枢的视觉缺陷检测上具有可靠的效果,能够应用于工业领域中并取代人工检测的方法。     

基于深度学习的黑钨矿图像识别选矿方法

黑钨矿图像识别是代替黑钨选矿手选抛废的一条高效途径,但存在无法识别黑钨矿石与围岩废石的问题。本文利用深度学习中卷积神经网络进行迁移学习来解决,该方法具有收敛快速、所需数据集小和分类准确的优点。首先,对黑钨原矿彩色图像采用旋转、平移等方法进行数据增广降低样本不平衡性。其次,基于Keras框架使用本文优化的神经网络进行全新训练。结果表明:黑钨矿石与围岩两类识别中Wu-VGG19迁移网络矿石识别率最高,为97.51%。此外,本文加入石英脉石类别继续实验,得出修改的Wu-v3迁移网络矿石识别率最高,为99.6%。