基于改进U-Net的工件表面缺陷分割方法

针对当前深度神经网络模型在检测小缺陷目标时性能较差的问题,提出了一种基于改进U-Net的工件表面缺陷分割方法。该方法设计了一种仅下采样3次的U型网络,在保持图像特征分辨率的同时获得足够的感受野,有效解决神经网络多次下采样造成的小目标信息丢失问题;引入Dice损失和Focal损失组成的混合损失函数,通过增强分割损失权重并抑制背景信息来提高分割效果,有效解决小缺陷目标的低概率密度问题。通过在表面缺陷数据集上的大量实验和分析,结果表明该算法能够很好地细分出缺陷区域,并在分割精度与速度之间获得平衡。     

基于模型自优化的带钢表面缺陷语义分割研究

针对当前带钢表面缺陷检测方法存在着检测速度低、检测判别特征提取不充分以及模型人工调参主观性强等技术性瓶颈问题,开展了基于模型自优化的带钢表面缺陷语义分割方法研究。在模型优化上,使用实体卷积替代原有的膨胀卷积,解决了边缘伪成像的问题,并且使用轻量化通道注意力机制模块,捕获了通道之间的依赖关系。构建了基于智能优化算法的关键超参数优化策略,使用改进全局搜索能力的麻雀搜索算法对模型整体的超参数组合进行寻优,选择影响效果最好的超参数,最终实现了自适应优化的带钢缺陷检测功能。在东北大学热轧带钢表面缺陷数据集上进行了实验,通过实验验证了该方法对夹杂、斑点和划伤等表面缺陷自动提取的可行性和有效性,满足了低配置、高性能的检测需求。     

铸件缺陷语义分割的编码器-解码器网络

深度学习的快速发展扩展了基于视觉的缺陷检测应用。针对铸件缺陷类间差异小、类内差异大、缺陷规模小等难点,提出一种编码器-解码器架构的语义分割网络,使用在ImageNet上预训练的ResNeSt主干网络作为特征提取器,构建密集连接的多尺度特征融合模块提升有效特征利用率,增强网络特征表示能力,解码器端融合低层级特征改善缺陷边缘分割效果,再通过双线性插值进行上采样以恢复空间分辨率。网络在构建的X射线铸件缺陷分割数据集上进行训练和评估,采用混合损失函数解决数据集样本不均衡问题,提升模型性能。实验结果表明,提出的语义分割方法能够提升铸件缺陷分割精度,效果优于其他语义分割方法。     

基于深度学习的表面缺陷检测技术研究进展

随着计算机视觉技术的快速发展,基于深度学习的表面缺陷检测技术实现了爆发式的应用,并逐步成为了主流发展方向。基于深度学习的缺陷检测技术可以近似为计算机视觉任务中的分类、检测、分割等任务,其主要目的是找出物体表面缺陷的类别和所在位置,相较于传统图像处理方法,深度学习在特征提取能力和环境适应能力上优势明显。以缺陷数据标签类型为依据,对近年来基于深度学习的表面缺陷检测技术进行梳理划分,总结目前技术的优点与不足,重点阐述了监督学习下的三种缺陷检测方法。探讨了表面缺陷检测技术面临的小样本以及不平衡样本等关键问题：对于小样本问题目前有结构优化、数据增广、迁移学习等解决方法;针对不平衡样本问题,介绍了近年来热点的无监督、弱监督与半监督学习模型。随后介绍了常用的工业表面缺陷数据集并展现了近年来提出的算法在NEU数据集上的应用效果。最后对进一步的研究工作提出展望,希望能给缺陷检测研究提供有意义的参考。     

基于机器视觉的表面缺陷检测方法研究进展

基于机器视觉的表面缺陷检测以无接触、无损伤、自动化程度高及安全可靠等突出优点被广泛应用于各种工业场景中,尤其随着深度学习技术的快速发展,视觉缺陷检测有助于提高产品及装备的智能化水平。综述分析了表面缺陷检测的常用方法、通用数据集、检测结果评价指标和现阶段面临的关键问题。首先,将缺陷检测方法分为传统基于图像处理的缺陷检测、基于传统机器学习模型的缺陷检测及基于深度学习的缺陷检测,并对各种方法进一步细分归类和对比分析,总结了每种方法的优缺点和适用场景;然后,对目前常用的缺陷检测结果评价方法做出了描述,进一步探讨了表面缺陷检测应用在实际工业产品检测过程中关键问题——小样本问题,重点剖析了小样本问题的解决方法和无监督学习在解决这类问题上的优势;最后,从提高缺陷检测方法的工业适用性角度展望了下一步研究方向。     

基于实时语义分割模型的机场道面裂缝检测方法研究

机场道面裂缝影响着飞机的安全起降,当前机场主要依靠传统的人工巡查方式检测道面裂缝。随着深度学习算法的快速发展,语义分割模型在保证精度的前提下推理速度不断提高,为自动实时检测道面裂缝提供了技术支撑。在此背景下,结合语义分割模型的研究成果,提出了一种在机器人巡检过程中实时检测机场道面裂缝的方法。     

基于深度学习的金属材料表面缺陷检测综述

表面缺陷检测是产品质量检测的关键环节,近年来随着深度学习技术的迅速发展,金属材料表面缺陷检测技术大幅提升。对近几年基于深度学习的金属材料表面缺陷检测方法进行了梳理和分析,并从监督方法、无监督方法以及弱监督方法 3个方面对比论述了近年来的研究现状及应用效果。最后系统总结了金属材料表面缺陷检测中的关键问题及解决方法。结合工业需求,对表面缺陷检测的进一步发展进行了思考与展望。     

应用于产品表面缺陷检测的神经网络IBS-Net北大核心CSCD

通过将深度学习的两阶段目标检测算法应用于表面缺陷检测中,并依据产品表面缺陷的特性改进网络,提出了IBS-Net算法,实现缺陷的分类识别与定位。IBS-Net改进在于提出了特征相关的非极大抑制方法(FR-NMS)和正样本扩充方法(PSA),依赖特征层间语义关系筛选候选框,将含有局部缺陷信息的候选框作为半正样本以辅助分类任务,体现由部分缺陷推知整体缺陷的思路;其次,利用缺陷之间的互斥性,提出了多类别非极大抑制方法(CR-NMS)应用于后处理阶段,以优化预测结果;此外,利用缺陷之间的重要性差异,改进了表面缺陷检测评估方法。实验结果表明:IBS-Net对13类芯片表面缺陷和6类热轧钢带表面缺陷的检测综合精准度分别达94.8%和89.2%,证明本算法具有良好的有效性和工程应用价值。     

基于联合对抗训练的深度学习表面缺陷检测方法

表面缺陷检测是确保产品质量的重要途径。深度学习在表面缺陷检测中已经得到了大量应用,并为实现自动化的表面缺陷检测提供有效的技术途径。然而,深度学习模型容易受到对抗攻击的威胁,进而严重影响其准确性,甚至造成模型失效。为提升深度学习模型对对抗攻击算法的防御能力,基于对抗训练提出新的基于联合对抗训练的深度学习模型。对抗攻击算法包括单步攻击算法和迭代攻击算法,为提升所提联合对抗深度学习模型的防御能力,在对深度学习模型训练时即同时添加不同对抗攻击算法生成的对抗样本,同时增强模型对单步对抗攻击算法和迭代对抗攻击算法的防御能力。为验证所提算法的有效性,所提算法以CIFAR10和磁瓦表面缺陷数据集为基础进行验证。试验结果表明,所提的联合对抗训练深度学习模型能显著提升对单步对抗攻击与迭代对抗攻击的鲁棒性,并优于传统方法。     

基于深度学习的制造业产品缺陷检测技术分析

在生产过程中,缺陷检测环节是产品质量控制的最后保障,具有举足轻重的地位。首先,对产品缺陷进行分类,介绍当前的主流技术和深度学习方法。其次,对比分析超声检测、滤波、深度学习、机器视觉和其他缺陷检测应用技术。最后,阐述基于深度学习的产品缺陷检测技术的具体应用。     

基于视觉的输电线路金具锈蚀缺陷检测方法研究进展

输电线路金具的表面锈蚀作为常见的缺陷类型,是危害输电线路安全运行的重要隐患之一,如何快速、准确地发现锈蚀 的金具设备并进行修复是线路巡检运维工作亟待解决的问题。 本文综述了近十年来基于视觉的输电线路金具锈蚀缺陷检测方 法的研究进展。 首先简述了基于传统图像处理的金具锈蚀缺陷检测流程;然后按照基于传统图像处理、深度学习方法概述了金 具设备锈蚀缺陷检测,重点阐述了基于深度卷积神经网络的目标检测和语义分割算法在输电线路金具锈蚀缺陷检测中的应用; 随后介绍了基于深度学习的金具锈蚀缺陷检测自建数据集以及性能评价指标;最后指出了基于深度学习的输电线路金具锈蚀 缺陷检测方法目前存在的问题,并对未来研究工作进行了展望。     

基于云-边缘协同计算的表面缺陷检测系统研究

基于现有表面缺陷检测系统所存在的实时检测难、硬件要求高等问题,提出一种基于云计算与边缘协同计算的表面缺陷检测系统。将轻量化改进后的 YOLOv4 缺陷检测算法模型部署到边缘端嵌入式设备中,在边缘端完成对表面缺陷的检测,并在边缘端和云端设备部署 KubeEdge 框架进行通信和管理。通过案例验证该系统不仅能够满足检测实时性的要求,还能够提取缺陷检测关键信息,同时便于部署在价格低廉的嵌入式设备。     

基于深度学习的铸件DR图像缺陷检测

为了对精密铸件DR(digital radiography)图像中的缺陷进行准确分割,提出一种基于深度学习语义分割的铸件DR图像缺陷检测算法。首先在原始U-Net网络模型上设计混合损失函数,以此来缓解类不平衡问题;然后采用AdamW(Adam with weight decay)优化器使模型加速收敛,同时使检测精度得到提升。最后使用PReLu激活函数代替ReLu,提高模型泛化性。实验结果表明,改进的U-Net模型对精密铸件DR图像缺陷能够得到有效分割,检测精度较高,且模型参数量较少,能够在工业现场进行部署。     

带钢表面缺陷检测及分割技术研究

对带钢表面缺陷检测与分割技术进行了深入的研究,探讨了针对带钢表面缺陷图象特点所应:采取的策略.首先通过对传统差影图法进行改进,提出了一种通过实时更改标准图的缺陷检测方法,并通过;比较四种常用的分割算法,选择出适合带钢表面缺陷分割算法-迭代阈值法.     

基于特征调和筛选的焊缝缺陷语义分割研究

提出了一种基于特征调和筛选的X射线不锈钢焊缝缺陷语义分割模型。通过池化与特征调和筛选块对输入图像进行下采样,利用特征注意模块为相同层级的特征图进行通道与空间重新赋权,并且使用反卷积逐步恢复特征图大小。实验表明：在X射线不锈钢焊缝缺陷数据集上进行语义分割识别性能时,本方法MIoU指数达到了53.87%,相较于其他方法,本方法具有更高的识别准确度与图像处理速度,具有一定的工程应用价值。     

一种基于深度学习的图像语义分割方法

基于深度学习的语义分割网络在卷积、池化等操作过程中会出现空间位置信息丢失的问题,导致其分割效果下降.对此,文中以SegNet语义分割网络模型为参考,设计了一种全新的语义分割网络模型Faster-SegNet.该网络模型通过融合多尺度特征图强化特征信息来提高网络分割准确率.使用非对称卷积等方式降低了网络参数量,提高网络分...     

基于语义分割的船闸水位检测方法研究

针对船闸水位传感器精度易受水质影响、传统图像检测方法适应性差等问题,提出一种基于语义分割和由粗到精策略的水位线检测方法,建立分段对照的标定模型计算水位。结合水位线长程相关性的特点,设计条带状空洞空间金字塔池化模块,针对分割边界模糊的问题,设计多路聚合上采样模块并引入在线困难样本挖掘,提升语义分割模型的分割精度。采用改进的语义分割模型在由原图像经压缩后的低分辨率图像中进行粗检测,分割图像中的水区域与非水区域,根据模型输出的掩膜图得到水位线的粗检测结果,然后在原图像中裁剪粗检测水位线的邻域并采用该模型进行精检测,得到水位线的精检测结果。建立分段对照的标定模型,获取像素坐标与世界坐标之间的映射关系,根据水位线精检测结果计算水位。在构建的水位图像数据集上进行试验,结果表明：在验证集上,改进后的语义分割模型粗检测和精检测的平均交并比分别提升了2.58%和1.98%,水位线精检测结果的平均像素误差为1.89 pixel,相比粗检测结果降低了52.3%,以水尺人工观测的读数为基准,摄像机在23 m工作距离下水位测量结果置信水平为95%的不确定度为0.026 m。所提方法对晴天、阴天、雨天、雪天等多种...     

基于高层特征融合的图像语义分割

在深度学习下的图像语义分割中,为了探究高层特征对于户外场景语义分割性能的影响,在对高层特征进行分析的基础上,提出了融合高层特征的图像语义分割方法。在目前主流深度学习框架Caffe下搭建的分割模型,并采用斯坦福8类户外场景数据集对模型进行了训练和测试。测试结果验证了该方法的有效性和准确性。     

采用RGB-D的标准件语义分割方法

图像的语义分割在工业自动化分拣、自动化装配等领域中具有重要的应用,在工程应用中有很多形状相同、尺寸不同的工件,同一类别的不同尺寸的工件在图像上仅通过彩色图像难以区分其在尺寸上差别。为了解决这一问题,提出了一种结合深度图像生成尺度特征图的方法,通过尺度特征图中目标中的点与目标重心的距离作为衡量不同尺寸目标的尺度,区分不同尺寸目标的类别,并基于MASK-RCNN设计了尺度分类网络结构。选取形状相同、尺寸不同工件中较具有代表性的标准件制作数据集进行测验。实验结果表明该方法具有较好的准确性,对于标准件数据集的语义标签分类准确率达96.3%。     

基于DeepLabV3+与超像素优化的语义分割

针对基于深度学习的DeepLabV3+语义分割算法在编码特征提取阶段大量细节信息被丢失,导致其在物体边缘部分分割效果不佳的问题,本文提出了基于DeepLabV3+与超像素优化的语义分割算法。首先,使用DeepLabV3+模型提取图像语义特征并得到粗糙的语义分割结果;然后,使用SLIC超像素分割算法将输入图像分割成超像素图像;最后,融合高层抽象的语义特征和超像素的细节信息,得到边缘优化的语义分割结果。在PASCAL VOC 2O12数据集上的实验表明,相比较DeepLabV3+语义分割算法,本文算法在物体边缘等细节部分有着更好的语义分割性能,其mIoU值达到83.8%,性能得到显著提高并达到了目前领先的水平。