基于Gabor滤波与分水岭算法的锂电池极片缺陷检测方法

针对锂电池极片在人工检测过程中检测效率低、检测错误率高等问题,提出一种基于自适应Gabor滤波与分水岭算法融合的锂电池极片缺陷检测方法。首先通过改进传统Gabor滤波器的参数,实现Gabor滤波器的自适应,得到滤除背景的缺陷图像;然后使用大津法对图像二值化处理,利用分水岭算法进行边缘提取;最后利用分割出的边缘获得坐标,利用最小外接矩形法实现缺陷检测。结果表明,相对于区域生长算法和改进的Canny算法,本文方法的抗干扰能力得到提高,可以对锂电池极片漏金属、黑斑、白斑、脱碳、条痕等多种缺陷进行较为精确地检测,能够用于锂电池极片缺陷的自动化检测。     

方形卷绕式锂电池电极褶皱检测方法研究

方形卷绕式锂电池在生产过程中容易产生电极褶皱与错位等缺陷,严重影响锂电池性能。通过数字化X射线摄影技术生成锂电池电极结构影像,分析该影像可以有效检测出电极缺陷,能够确保电池质量。根据电池电极褶皱在DR影像中的特点,提出了一种卷积神经网络与支持向量机结合的电池电极褶皱检测方法。提取DR影像中电池电极有效区域并裁剪为小尺寸图像制作数据集,完成卷积神经网络训练。将大尺寸电极图像通过卷积神经网络提取特征,最后将该特征送入支持向量机完成电池电极的分类预测。实验结果表明,该方法具有较高的检测速度与较低的检测误差率。     

基于改进 Canny 算子的锂电池极片表面缺陷检测

针对目前锂电池极片表面存在低对比度微小缺陷难以检测的问题,提出了一种基于改进Canny算子的锂电池极片表面缺陷检测方法。首先,使用双边滤波改善高斯滤波在降噪时可能造成的图像边缘模糊问题,并在此基础上引入多尺度细节增强算法来增强低对比度图像;其次,基于Sobel算子的3×3梯度模板计算极片图像的梯度幅值和梯度方向;最后,基于最大熵和Otsu算法自动获取图像的高、低阈值,通过逻辑与运算对两种算法阈值分割后的检测结果进行边缘融合,并利用形态学闭运算和细化算法修复不连续边缘,得到最终检测边缘。实验结果表明,传统Canny算子和Otsu-Canny算法难以有效检测不同类型的暗斑、露箔和划痕缺陷,而本文算法对这些缺陷均取得了较好的检测效果,能够在突出目标缺陷区域的同时,有效减少同色度背景噪声,正确检测率达98%,具有一定实用价值。     

基于机器学习的灭弧栅片表面缺陷检测方法

为了实现金属灭弧栅片表面缺陷的自动检测,引入了CCD成像系统并提出了表面缺陷检测三步法:第一步对原始图像进行去噪,第二步将灭弧栅片从背景中提取出来,第三步利用分类器对缺陷产品进行识别。提出了基于方向梯度直方图(HOG)与Gabor特征结合的图像特征提取算法,与传统的基于HOG和基于Gabor特征的算法相比,多分类支持向量机的训练结果显示本方法识别率分别提高了13%和7%。通过设计卷积神经网络框架对缺陷产品进行检测,结果显示正确率为93%。在二分类情况下对支持向量机和卷积神经网络的分类性能进行了比较,结果显示卷积神经网络性能更优。     

机器视觉在网片缺陷检测与分类中的应用

针对网片缺陷传统人工检测方法误检率高、劳动强度大等问题,应用机器视觉技术,提出了一种网片缺陷在线检测及分类方法。首先通过工业相机获取网片图像,应用中值滤波和图像二值化方法实现对网片图像的预处理。通过分析缺陷特征,提出了基于特征点的网片缺陷检测方法,在检测出缺陷的同时能对网片三种缺陷类型进行预分类。根据网片缺陷类型的不同,通过计算缺陷区域的灰度共生矩阵并提取4个特征参数,运用BP神经网络对网片缺陷进行分类。实验表明,使用本方法分类网片缺陷类型能满足工业要求。     

主从特征融合驱动的铝型材表面缺陷检测

针对因仅考虑纹理特征而造成铝型材表面缺陷检测精度较低的问题,提出一种主从特征融合驱动的表面缺陷检测模型。该模型的构建主要包括3个部分：首先采用经Focal-Loss损失函数优化的UNet模型完成缺陷分布不均匀的样本分割与定位;然后集合卷积神经网络(CNN)与反向传播神经网络(BPNN)构建融合图像纹理特征、梯度信息和缺陷形状特征的主从特征预分类层;最后通过级联特定模糊规则的模糊神经网络完成缺陷的最终分类。利用阿里天池比赛的铝型材数据集中的5类缺陷样本对模型进行了实验验证,平均分类检测精度达到97.2%,为铝型材表面缺陷检测提供了新方法。     

基于三级级联架构的接触网定位管开口销缺陷检测

针对高铁接触网定位管开口销在列车长期运行振动中容易松脱并且松脱样本数量匮乏的问题,本文提出一种基于深度卷积生成对抗网络(DCGAN),扩充缺陷样本集后,再训练卷积神经网络(CNN)检测开口销缺陷的三级级联架构。该架构首先采用中心点法提取训练需要的相同规格开口销图像。然后通过改进的DCGAN生成模拟缺陷样本,并搭建轻量级CNN网络对生成的模拟缺陷样本进行筛选。最后将添加了模拟缺陷样本的扩充缺陷样本集与正样本集输入优化后的VGG16卷积神经网络中,以训练分类模型,检测开口销缺陷。实验结果表明,本文所提方法检测接触网定位管开口销缺陷的准确率高达99%。     

改进Mask RCNN的焊缝缺陷检测

焊接缺陷检测是焊接行业的一项重要工作,利用X射线焊缝缺陷图像进行缺陷检测是焊接无损检测的重要手段。为实现对缺陷的自动识别和定位,结合缺陷的具体特征提出了一种改进的Mask RCNN实例分割网络实现对图像进行缺陷检测和分割。该方法在原有网络的基础上通过采用变形卷积更好地提取不规则形状缺陷特征信息,引入空洞卷积加强高层特征的感受野,在局部图像中融合全局图像信息使局部图像获取上下文信息,利用迁移学习和数据增强降低对训练数据的需求,提升检测和分割精度。最终,通过对焊缝X射线数据集上进行实验,验证改进的Mask RCNN模型与原始Mask RCNN模型以及Faster RCNN模型等模型进行客观比较,并对实验结果进行可行性分析,提出的模型表现出更精确的检测精度和更好的性能。实验结果表明改进的Mask RCNN模型可以更好的适用于焊缝缺陷检测中。     

多神经网络图像分割算法

为了提高机器视觉系统的图像分割精度,提出了一种以小波变换为分类特征的多神经网络(Multi-Neural Network,MNN)图像分割算法,该算法包括小波特征提取、MNN区域划分和MNN分类3个阶段。其中,小波特征提取根据小波变换的各层图像扩展得到分类特征;MNN区域划分将初分割边界附近区域分为训练样本区域和待分类区域(待分区域),并用多边形拟合算法将待分区域划分为多个局部待分区域;MNN分类将每个局部待分区域的像素用区域内的神经网络分类器进行分类,确定目标像素和背景像素,将目标像素合并后再进行一定的后处理即可得到分割结果。以轴承表面缺陷检测系统采集的轴承缺陷图像为对象,对MNN算法和阈值分割算法进行了对比试验,结果显示MNN算法的像素数量误差(Pixel Error,PE)相比阈值分割算法降低了75%,分割精度显著提高。     

基于X射线图像和卷积神经网络的石油钢管焊缝缺陷检测与识别

研究了基于X射线图像和卷积神经网络(CNN)的石油钢管焊缝缺陷检测与识别问题。首先采用数字图像处理技术拟合提取出焊缝区域,验证了咬边缺陷的存在不影响焊缝边缘的提取;针对常用阈值分割方法不适于小面积区域缺陷分割的局限,采用基于排序点的聚类算法(OPTICS)对区域内任意形状大小的缺陷和噪声干扰点进行分割,然后对缺陷、噪声和无缺陷的正常图像进行提取并进行数据增强及尺寸归一化操作,从而完成焊缝图像的预处理以构建出样本图库。最后采用CNN与Softmax分类器相结合的算法,以缺陷和噪声为输入样本训练CNN并进行了实际应用实验,实验结果验证了方法的有效性。     

基于机器视觉的机械加工零件表面微缺陷检测方法

为提高微缺陷检测结果精度、提升机械加工零件外观质量，该文引进了机器视觉技术，以某机械生产制造单位为例，设计了一种针对零件表面微缺陷的全新检测方法。根据机器视觉技术的应用需求，搭建了集成工业相机、采集装置、照射光源等为一体的扫描装置，采集零件表面图像；对采集的原始图像进行均值滤波处理，去除图像中可能对缺陷区域的判别造成干扰的因素与噪声；采用阈值分割的方式，提取并划分机械加工零件表面的微缺陷区域；采用提取图像边缘算子的方法，计算零件表面原始图像与待检测图像之间的像素相关性，通过对零件表面微缺陷灰度性质点的匹配，完成检测方法的设计。通过对比实验证明：该方法不仅可以精准检测机械加工零件表面微缺陷，还可以检测到具体的缺陷类别。     

CNN融合PCA-DT模型的金属缺陷识别研究

针对金属缺陷识别分类,传统机器学习需要人工提取特征,而深度学习需要大量样本的问题,本文针对中小规模缺陷数据集提出了一种基于浅层的卷积神经网络（CNN）和决策树（DT）的金属缺陷分类方法。利用卷积神经网络提取特征,通过决策树分类,实现缺陷分类。引入主成分分析（PCA）方法对特征向量降维,减小过拟合并提升算法识别分类效率。为验证本文方法的通用性,除图像缺陷数据外还引入非图像缺陷数据。实验结果表明,本文方法除了能分类图像缺陷也能分类非图像缺陷,且在识别率等3个评价指标上本文方法优于传统机器学习方法,与深度学习方法持平,但在分类消耗时间上少于深度学习。     

基于机器视觉的玻璃缺陷检测

随着科学技术的进步,高端显示屏产品对平板玻璃的质量要求越来越高,玻璃的表面缺陷检测技术也因此备受关注。传统的人眼检测方法工作量大且准确率低,已经无法满足生产实际要求。研究了一种基于机器视觉的玻璃质量检测系统,采用先进的CCD成像技术和背光式照明获取图像,用MATLAB图像处理工具箱对采集到的图像进行灰度值化、滤波降噪和阈值分割处理,实现对缺陷区域的特征提取和识别。最后用BP神经网络对玻璃表面的三种缺陷进行分类,该神经网络识别的平均误差率为9.84%,表明此检测方法具有一定的应用价值。     

基于ResNet模型的聚乙烯燃气管道接头缺陷识别算法

接头是聚乙烯燃气管道容易出现危害性缺陷的薄弱环节，需对此薄弱区域进行定期检测，以确保聚乙烯燃气管道的安全运行。为提高聚乙烯燃气管道接头缺陷图像识别能力，提出了一种基于ResNet网络模型的改进型卷积神经网络识别算法。首先运用Laplacian算子、中值滤波等方式实现对PE燃气管道接头缺陷图像的预处理；然后，将dropout层和ELU函数加入在ResNet34网络模型中完成图像识别模型的构建；最后，采用改进的ResNet34网络模型通过试验对包含6种热熔缺陷类型的数据集进行训练和测试。试验结果表明，改进后的ResNet34网络模型对缺陷图像的训练正确率可达到97.3%,且拥有比原始的ResNet34网络模型和DenseNet网络模型更高的正确率，验证了此模型对于热熔接头缺陷图像识别的有效性。     

基于SCNN-ELM模型的手机外壳缺陷检测方法研究

针对现有方法在手机外壳缺陷检测过程中存在耗时长、准确率低和需要手工提取特征等问题,提出了一种基于空间金字塔池的卷积神经网络与极限学习机相结合的缺陷检测方法。首先,在经典卷积神经网络AlexNet中引入空间金字塔池化,作为网络结构的最后一层池化层,构建特征提取模型并进行模型的预训练。使得不同维度的图片可以输入网络,更完整地提取原始图片的特征信息。然后,在检测阶段,用极限学习机对训练模型提取的特征进行缺陷分类检测。实验过程中,对2400张三种不同类型手机外壳缺陷图片测试集进行检测,获得98%以上的检测精度。结果表明:所提方法能够实现特征的自动提取,有效检测出缺陷类型,检测精度相对于传统卷积神经网络提高了5%左右。     

基于PSO改进BP神经网络算法的金属表面缺陷分类

为了实现金属工件表面缺陷在线检测,利用CCD传感器和图像处理技术,对金属工件表面孔洞、划伤和壳状凸起等缺陷进行特征提取与分类。采用自适应阈值分割法对预处理图像进行缺陷特征分割,运用BP神经网络建立对样本的缺陷特征向量和缺陷分类结果的网络预测模型,为了提高网络模型的精确度,采用PSO算法改进BP神经网络的权值和阈值,通过实验样本验证和对比BP和PSO-BP模型的准确率和平均误差,试验结果表明基于PSO-BP算法的金属表面缺陷分类准确率达到85%以上,获得了更优的分类效果。     

基于脉冲耦合神经网络金属拉链缺陷检测方法的研究

针对人工金属拉链缺陷检测效率低、稳定性差、误检率高缺点,本文提出一种基于改进型脉冲耦合神经网络（PCNN）金属拉链缺陷检测方法。利用改进型PCNN对金属图像进行二值分割、特征图像提取、区域像素统计与灰度跃变实现金属拉链缺陷自动检测;设计自动检测系统进行实验研究。实验表明本文提出的检测方法快速、准确、可行。     

基于红外图像分析的TSV内部缺陷识别方法研究

TSV三维封装内部缺陷难以用传统方法检测。然而其内部缺陷的存在会导致热阻发生变化，对系统温度分布产生影响，因此可以通过对红外图像的分析达到对缺陷进行识别及定位的目的。文中研究了缺陷对温度场的影响，分别通过理论分析、有限元仿真及实验方法对TSV三维封装系统进行了热-电耦合分析，得到了缺陷铜柱类型及位置不同时的温度分布数据集，搭建了卷积神经网络(CNN)模型对2组数据集单独进行分类预测。实验结果表明：利用仿真数据集与试验数据集分别对CNN模型进行特征训练，得到的缺陷识别与定位准确率为98.65%,98.36%。由上可知，缺陷类型及位置的不同会对温度场产生不同影响，利用CNN模型对TSV红外热图像进行特征训练可以有效识别与定位内部缺陷。     

基于全卷积神经网络的焊缝识别方法

在机器人自动化焊接中，精准高效的焊缝识别是实现高质量焊接的关键。针对现有视觉检测方法效率低、精度差的问题，提出了一种基于全卷积神经网络的焊缝识别方法。该方法首先采集数据对全卷积神经网络进行训练，得到最佳的网络参数；然后采用训练好的全卷积神经网络和最佳网络参数对焊缝图片进行语义分割，将焊缝所在区域与背景进行分离；然后对分割出的焊缝区域，进行骨架提取，得到接近单像素宽度的焊缝；之后根据自定义的直线度参数对焊缝形状进行判定，确定该焊缝是否为直线，用最小二乘法进行直线或曲线拟合，得到最终的焊缝轨迹。实验结果表明，所提方法能够快速准确地识别出焊缝位置和形状，可以作为自动焊接机器人轨迹自主规划和控制的技术基础。     

基于机器视觉的锂电池极耳焊接缺陷检测技术研究与分析

针对锂电池极耳在焊接工艺中所产生的极耳翻折、焊点不足以及焊破等缺陷问题,提出机器视觉对极耳的焊接缺陷进行识别与检测.首先,利用球积分光源以及同轴光所组成的组合式光源对焊后的极耳进行均匀化图像采集,并提取相应的ROI;然后,采用中值滤波的方法对ROI进行平滑去噪,并使用分段线性灰度增强的方法对图像进行预处理,再利用最大类间方差法(OSTU)对ROI进行图像分割以及特征提取,有效地对极耳焊接缺陷进行了识别与检测;最后,对极耳焊接缺陷检测系统的检测效果进行了分析,检出率为98.77％,验证了视觉检测方法的可行性与合理性.