冷轧带钢表面缺陷诊断

针对某冷轧厂生产的带钢表面经常出现锈斑、黑斑等缺陷,对原料、酸洗、轧制、退火和平整等工序进行了现场调研,并对乳化液相关指标、防锈性、耐腐败性及带钢表面缺陷的形貌和成分进行了检测。（1）板面残酸是造成锈斑的主要原因。应重点改进盐酸酸洗工艺和设备：调整挤干辊的压力,保持挤干辊的表面状态,加强水冲洗的压力和温度以及喷嘴的均匀性;同时,严格执行酸洗工艺制度。（2）轧机前后乳化液吹扫不净,卷入板内是造成成品黑斑的主要原因。要改进吹扫装置,保证把残留乳化液吹净,必要时增加一排吹扫喷嘴。（3）应设计合理的退火工艺制度,防止因退火不良或局部烧嘴堵塞加热不均造成油的局部挥发不全形成积碳;应重视退火前的松卷,加强对氨分解的监测。采用上述措施后,带钢表面缺陷大幅度减少：表面锈斑、黑色云纹和黑斑等问题得到彻底解决。     

非接触式带钢表面缺陷检测纹理方向特征分析

带钢表面缺陷图像纹理方向特征分析是否合理,关乎缺陷图像识别的正确率。针对带钢表面缺陷, 提炼描述缺陷图像的纹理特征量,给出检测距离和检测方向角的关系以及缺陷图像纹理特征提取的基本方法。通过带钢表面无噪声和有噪声的裂纹缺陷图像实例分析,提出纹理方向的特征量取最小值,与纹理方向垂直的特征量取最大值;检测距离根据具体情况选取,不易过大或过小;夹杂噪声的缺陷图像分析时阈值取较小值。     

一种基于灰度投影的带钢表面缺陷检测算法

根据带钢表面缺陷图像的特点提出了一种利用带钢图像的灰度投影进行带钢表面缺陷目标检测的一种算法．该算法首先是把带钢图像分别进行向下和向左的灰度投影,然后在此基础上计算出向下投影与向左投影的投影均值并分别找出其中的最大值与最小值,之后分别把它们做差,如果向下投影均值的差值和向左投影均值的差值中至少有一个超过了给定的阈值则认为图像存在缺陷,否则无缺陷．该算法在多次实验中都能够很成功地完成带钢表面缺陷目标检测的功能．     

基于机器视觉的带钢表面缺陷检测研究进展

热轧带钢是钢铁行业的主要原材料之一,其表面质量控制一直是生产过程智能检测的重点任务。针对带钢表面缺陷自动在线检测逐步取代人工检测的现状,概述带钢表面缺陷检测方法,着重阐述基于机器视觉的表面缺陷检测方法,比较分析传统机器视觉、深度学习方法在带钢表面缺陷检测的应用,探讨带钢表面缺陷检测中存在的关键技术问题,并对其未来发展趋...     

带钢表面缺陷在线检测系统的设计

针对带钢表面缺陷人工检测方法效率低下的问题, 设计了一套在线自动检测系统.首先, 提出了带钢表面缺陷在线检测系统的总体设计方案, 包括系统的硬件结构、软件结构以及图像采集系统.随后, 着重研究了在线检测系统中所涉及的图像预处理方法、图像分割方法、特征提取选择和缺陷分类方法.通过缺陷区域频率域图像特征的提取和缺陷的人工神经网络分类, 提高了分类结果的准确性.最后, 采用常见缺陷的样本对该系统进行测试, 实验结果验证了算法的有效性.     

适应跨域的行人重识别算法

针对在跨域场景下,行人图片受到光照、色度变化、风格转换等因素影响,行人重识别学习得到的模型无法较好表达行人外观特征的问题,对常用的分类网络骨架ResNet作出修改,并结合IBN模块解决图像风格转换问题。同时提出随机灰度擦除的数据增强方案,在不改变原始图像结构信息的前提下,使用灰色补丁图像代替原始图像,有效降低光照对行人重识别模型的影响。其次,在模型训练中使用Circle Loss代替了SoftMax Loss和Triplet Loss的线性结合,并对Center Loss进行加权以加强特征的内聚性,同时结合Warm-Up和余弦退火策略动态改变学习率。最后,在不降低精度的前提下通过知识蒸馏方法学习得到较小的模型完成加速推理。实验表明,所提出的方法可以有效提升模型收敛速度,并在现实应用中完成快速跨域行人检索。     

带钢表面缺陷图像的小波阈值降噪研究

以典型带钢表面缺陷图像为例,采用小波阂值降噪方法研究带钢表面缺陷图像的小波阈值降噪规律,并论述了带钢表面缺陷图像闽值的选择和小波基的选取。结果表明,图像经过小波变换后具有低熵性、多分辨率和选基灵活性等特点,使得小波闽值降噪提高了图像的信噪比、改善图像的质量,并且增强图像的清晰度。     

冷轧带钢表面缺陷的二级检测与快速判定方法研究

针对冷轧带钢表面缺陷图像采集计算量大、实时性强的特点,在提取灰度信息特征的基础上,采用二级检测的处理方法采集缺陷图像.实验验证结果表明:二级检测模式可以提高检测速度、缩短检测时间,具有良好的生产适应性.     

冷轧带钢缺陷表面形状恢复新算法

为改善冷轧带钢表面缺陷分类识别性能,提出基于从阴影恢复形状原理的表面缺陷三维重构算法． 针对表面缺陷检测系统的光路设计,提出一种改进的Oren-Nayar漫反射模型,结合透视投影模型推导出相应 的反射图方程,利用基于高阶Lax-Friedrichs汉密尔顿函数和牛顿迭代相结合的快速扫描算法完成了该方程 的求解,实现表面缺陷三维信息的提取．利用合成图像和表面缺陷图像进行三维重构实验,结果表明该算法 重构精度高,验证了改进光照模型的正确性．该三维重构算法能够有效地提取冷轧带钢表面缺陷三维信息, 有助于提高表面缺陷分类识别性能     

无监督域适应的表示学习算法

在传统模式识别的训练方法中,拥有大量标签的有监督学习方法在识别准确率上取得了很好的效果.然而在实际生活中样本常常缺失标签,或现存有标签的样本与目标样本具有较大分布差异而不能直接使用.为了解决这些问题,无监督域自适应算法应运而生,借助源域有标签但不同分布的样本去识别无标签的目的域样本.针对目标识别样本与训练样本分布不一致...     

面向特征生成的无监督域适应算法

针对无标签高维图像分类问题,常用的深度网络在无标签的情况下难以产生好的分类结果。为此,提出一种面向特征生成的无监督域适应模型(Feature-GAN),它以一种无监督的方式在特征层面学习从一个域到另一个域转换,将源域图像特征映射为目标域图像特征并保持标签信息,生成的带标签特征可用于目标域特征的分类训练。该模型在复杂图像域适应上避免了图像本身的生成过程,而专注于特征生成,易训练且稳定性高。实验表明,该方法可以广泛应用于复杂图像分类的场景,相比于传统基于样本生成的无监督域适应算法,该算法在精确度、收敛速度以及稳定性上均有提高。     

改进可拓理论的带钢表面缺陷图像分类方法

将可拓理论引入到带钢表面缺陷图像的分类中,提取分割前后缺陷图像的12个特征值,对可拓理论用于分类的关键步骤-关联度的计算方法进行改进,首先确定某缺陷特征值与某类缺陷对应特征值经典域的距绝对值,再计算出该特征值与各类缺陷对应特征值经典域的距绝对值之和,以二者的商作为关联度计算的权值. 对该方法的可行性进行了论证,并对带钢表面缺陷图像分类进行了仿真,仿真结果显示改进后的方法分类准确性有较大的提高.     

基于卷积神经网络的木材缺陷识别

跨层卷积神经网络模型由输入层、两个交替的卷积层、池化层、全连接层和输出层组成。池化层输出到全连接层,将网络的高层次特征和低层次特征相结合构造分类器。在网络中加入Dropout技术,以防止过拟合的发生。     

泼水算法与墙地砖表面缺陷的识别与分级研究

将泼水算法应用于墙地砖的表面特征提取，并且根据求得的表面缺陷面积大小来进行墙地砖缺陷的识别分级，结果显示用泼水算法能够实时、在线、全数检测出墙地砖表面缺陷。     

热轧带钢表面缺陷检测系统的现场应用

针对热轧带钢在激光光源下成像偏黑、带钢抖动干扰大的问题,提出采用LED光源和线阵相机的搭配方式解决成像质量差的问题;针对热轧带钢表面水和油的干扰大的问题,将深度学习算法应用到热轧带钢的缺陷检测上。     

自然场景下果实目标的识别和定位

通过分析目前果蔬图像中识别果蔬对象存在的问题,研究了果蔬采摘机器人视觉中的两大难题:识别果蔬和定位果蔬.在此大背景下,研究提出了一种结合多种颜色特征和纹理特征进行分割的方法,有效解决果蔬目标和背景颜色差异较小时的果蔬对象识别问题.同时,提出一种全新的理念解决果实被部分遮挡时中心点和采摘点确定问题.另外,为了克服已有的类球形果蔬的定位方法不能适用于偏斜下垂生长的果蔬定位、不能有效定位叠加的多个果蔬的不足,利用几何校正方法,研究提供一种能够适应于偏斜下垂生长的果蔬定位的方法,能有效定位叠加的多个果蔬.经实验证明,效果良好.     

修复缺陷嫌疑区域的无监督磁瓦表面缺陷检测

磁瓦表面缺陷样本数量少,异常视觉特征分布发散,现有依赖目标特征的有监督检测方法不能有效检测未定义缺陷;磁瓦表面正常纹理呈非均匀且非周期性分布,使得经典重构网络难以准确地重构磁瓦表面正常特征,导致相关无监督检测方法性能低下.为此,采用多头注意力增强的掩码图像修复网络(MIINet),长距离提取图像特征,捕捉全局信息,增强图像修复的能力;引入视觉显著性算法抑制磁瓦表面纹理信息和突显缺陷区域,以便二值化算法精准分割缺陷嫌疑区域;利用MIINet修复待检测图像缺陷嫌疑区域,选用修复前后图像的残差图像和结构相似性实现缺陷检测与缺陷判定.与经典无监督方法相比,修复缺陷嫌疑区域的表面缺陷检测方法的准确率提升了2.36%,F1值提升了1.62%.     

基于Curvelet变换和支持向量机的磁瓦表面缺陷识别方法

针对磁瓦表面缺陷对比度低、自动识别困难的问题,作者提出了一种对磁瓦图像应用快速离散Curvelet变换(FDCT)提取特征,并用支持向量机(SVM)分类器进行分类的磁瓦微小缺陷自动识别方法。该方法首先对磁瓦图像做分块处理,并对各分块图像应用FDCT,计算分解系数的l2范数,获得磁瓦不同方向的纹理频域特征;然后以归一化的分解系数l2范数作为支持向量机分类器的特征向量,对图像做出分类。对不同缺陷占比的图像进行实验测试,结果显示,当缺陷部分占分块图像的比例在1/64以上时正确识别率大于83%。     

基于自监督任务的多源无监督域适应法

针对多源聚合下同时对齐域不变特征较困难而造成分类精度不高的问题, 提出基于自监督任务的多源无监督域适应法. 该方法引入旋转、水平翻转和位置预测3个自监督辅助任务, 通过伪标签性、语义信息的一致性对无标签数据进行自适应的对齐优化. 构建新的优化损失函数, 减少多域公共类别的分类差异. 针对类别不均衡的问题, 基于少样本大权重的原则, 定义动态权重参数, 提高模型的分类性能. 在公开的Office-31、Office-Caltech10 2种基准数据集上, 与现有的主流方法进行实验对比. 实验结果表明, 在类别均衡、不均衡2种情况下, 分类精度最高可以提高6.8%.     

基于ViBe的端到端铝带表面缺陷检测识别方法

针对铝带表面缺陷高精度检测要求以及传统算法识别率不佳的问题,提出端到端的表面缺陷检测与识别方法.从铝带表面初始图像序列中快速计算出平均图像,视为无缺陷背景图像,用于初始化ViBe算法的背景模型.采用ViBe算法从当前图像中分割出缺陷区域,对缺陷区域二值图像进行中值滤波和形态学运算,以去除噪声点和修补边缘,实现缺陷区域的准确提取.利用当前图像实时更新ViBe背景模型,以增加对光照变化的适应能力.提取缺陷外接矩形区域图像,归一化后输入到训练好的卷积神经网络中进行识别分类,得到分类结果.实验结果表明,提出方法的缺陷检出率为93.02%,缺陷识别率为99.86%,具有较好的应用价值.