基于改进YOLOv5s模型纸杯缺陷检测方法

目的 针对小尺寸和特征不明显的纸杯缺陷在检测过程中易出现漏检、错检的问题，提出一种基于改进YOLOv5s模型纸杯缺陷检测方法。方法 在原始模型的Backbone部分引入CBAM注意力机制模块，提升模型的特征提取能力;增加一个YOLO检测头，将三尺度检测改为四尺度检测，提高模型对小目标和特征不明显目标的检测能力;在Neck部分借鉴加权双向特征金字塔网络BiFPN，对原始模型中的PANet进行部分改进，加强模型的特征融合能力。结果 结果显示，改进后的模型YOLOv5s–CXO精度为89.1%、召回率为90.4%、平均精度均值为89.5%，比原始模型的精度提高了1.5%、召回率提高了1.3%、平均精度均值提高了1.2%。结论 本文的改进方法有效提高了模型的检测能力，对小尺寸和特征不明显纸杯缺陷的检测效果有明显提升。     

手机玻璃屏表面缺陷视觉检测方法研究

目的针对手机玻璃屏表面缺陷人工检测存在的准确率低、稳定性差等问题,提出一种基于机器视觉技术的手机玻璃屏表面缺陷检测方法。方法采用统计平均法建立模板图像,以减少外界光照对模板图像的灰度影响。采用基于互信息的配准方法实现模板图像和待测图像的像素对齐,将配准后的待测图像与模板图像进行差分运算,获取残差图像,并采用Niblack方法实现残差图像上的缺陷判断。通过搭建的实验平台获取了300幅手机玻璃屏图像,并采用文中提出的方法、模板匹配法和人工检测法对300幅图像实施缺陷检测。结果实验结果显示,文中方法的真正率为92%,真负率为96.5%和准确率为95%。与模板匹配法和人工检测法相比,文中方法在真正率、真负率和准确率上分别至少提高了5%,4%和4.3%。结论文中方法与人工检测方法相比,提高了手机玻璃屏表面缺陷检测的准确率和稳定性。     

基于机器视觉的柔性包装袋喷码缺陷检测研究

目的 针对传统喷码检测方法计算量大、字符区域定位不显著、识别准确率较低等不足,提出一种基于机器视觉的柔性包装袋喷码缺陷检测方法。方法 以柔性包装袋上喷码图像为研究对象,以滤波抑噪、阈值处理等技术对图像进行预处理,运用YOLO-V3网络模型对字符区域进行定位,并采用阈值和非极大值抑制算法提高喷码区域定位的显著性,通过改进AlexNet网络结构、运用多特征融合运算等方法,获取更为丰富的图像卷积特征,实现字符串的整体识别,从而提高喷码缺陷识别的准确率。结果 将YOLO-V3联合改进AlexNet的检测方法与传统喷码检测方法进行对比,结果表明,所设计喷码缺陷检测方法的分类准确率达到99.39%。结论 基于机器视觉的柔性包装袋喷码缺陷检测方法在模型计算量、字符区域定位显著性和字符识别准确率都有一定的优势,并有效解决了字符串整体识别的问题。     

基于YOLOv4算法的药用空心胶囊表面缺陷检测方法

目的 为提升质检过程中药用空心胶囊的表面缺陷检测精度及其自动化水平。方法 通过设计高质量图像采集方案来避免胶囊表面出现光斑,以此构建药用空心胶囊缺陷数据集。基于YOLOv4算法,建立深度学习检测模型,利用多尺度特征提取以及训练策略,增强对小目标缺陷检测的鲁棒性。采用K-means++聚类算法更新锚框初始值,以提高模型对胶囊表面缺陷的预测性能。结果 实验结果表明,提出的胶囊缺陷检测方法能够准确判别胶囊好坏,并能检测出其表面的凹陷、孔洞、划痕、污点和接口缺损等5类缺陷,其中对于胶囊有无缺陷的平均精确均值达99.05%,各缺陷类型的平均精确率为91.81%,而每秒检测图像可达22张。与其他典型的目标检测方法相比,文中方法在检测速度和精度上都有一定优势。结论 文中所提出的基于YOLOv4的缺陷检测方法实现了对药用空心胶囊多类型缺陷的分类与定位,具有较好的检测效果和稳定性,在满足生产质量管控要求的同时,可大幅降低人工成本。     

热轧重轨表面缺陷在线检测识别的关键技术研究

目前热轧重轨表面缺陷检测速度慢、精度低。为此,提出了一种基于机器视觉的热轧重轨表面缺陷在线检测系统。分析了过暗过曝区域交叠融合法与图像像素线互相关校验法两种方法提取特征缺陷等关键技术,并对模糊脉冲神经网络的表面缺陷分类效果进行了研究。实际应用证明,采用上述机器视觉的检测关键技术对热轧重轨表面进行缺陷检测识别,较大提高了检测速度和精度,且检测正确率在90%以上。     

基于机器视觉的编织袋表面缺陷检测系统设计与实现

目的 针对编织袋生产中表面缺陷检测效率和精度低等问题,应用机器视觉技术于编织袋表面缺陷检测,进而提高编织袋的生产效率。方法 基于机器视觉设计编织袋表面缺陷检测系统:首先为了降低背景灰度变化对缺陷检测的影响,研究一种同时具有噪声滤除与图像增强功能的预处理算法;其次选取二维最大熵值法对预处理后的编织袋图进行分割,并采用改进遗传算法对它进行优化以增强算法的收敛速度和效果;然后利用特征提取结合形态学处理的方法实现了编织袋表面缺陷的识别与分类;最后应用连通域进行分析,对分类出的缺陷进行统计与定位以获取缺陷的尺寸以及位置信息。结果 采集了200个编织袋缺陷样本,采用文中编织袋表面缺陷检测系统对编织袋样本进行缺陷识别,平均识别准确率为94.0%,处理一幅编织袋图像的时间约为600 ms。结论 该系统具有较高的识别效率和正确率,可实现编织袋表面缺陷的快速检测,满足工业生产的需求。     

基于机器视觉的玻璃瓶口缺陷检测方法

目的为提高玻璃瓶口缺陷检测精度,确保生产线包装效率。方法基于机器视觉设计一种瓶口缺陷检测方法,并简要介绍检测系统的整体框架。分别论述基于最大熵值法的图像分割方法、瓶口定位方法以及图像特征提取方法,其中图像特征主要包括周长、圆形度、相对圆心距离。利用BP神经网络实现瓶口缺陷的准确识别,将瓶口破损程度转换为具体数值,最后进行实验验证。结果文中检测方法对破损瓶口的检测成功率为99%,对于不同的破损类型均有较高的检测准确度。结论基于机器视觉的玻璃瓶口缺陷检测方法能够满足生产线对准确性和实时性的要求。     

成批抛光钢球表面缺陷自动检测的图像预处理方法

针对目前企业缺乏钢球表面缺陷检测装备,特别是小直径钢球检测装备的现状,笔者研制开发出一套基于机器视觉、可批量检测小直径钢球表面缺陷的新装备.由特制机电装置将钢球成批自动行列相间地上料并使球面翻滚,相机以一定帧频拍摄多幅钢球表面图像.在保证检测精度和效率的前提下,设计出应用于该装置的图像预处理方法,包括模板标定、图像分割和图像增强.实际检测试验证明,该预处理方法一方面使表面缺陷突显,有利于后期检测,另一方面抑制外接环境引入的各种干扰,消除不必要的影响因素.     

基于机器视觉和深度学习的渗透检测图像智能评判方法研究

传统的渗透检测技术基于检测人员对渗透检测图像进行目视判别,其检测结果容易受到检测员主观因素的影响,且效率低下。本文介绍一种基于机器视觉的渗透检测图像评判方法,通过机器视觉技术实现缺陷抓取。检测结果表明,在缺陷较少的情况下,该方法有着较好的鲁棒性,具有一定的应用价值。本文还探讨了基于深度学习的渗透图像智能评判方法,实验结果表明,该方法相较于传统的机器视觉检测方法,检测准确率有了一定的提升。     

基于改进YOLOv4算法的轮毂表面缺陷检测

汽车轮毂加工过程中产生的表面缺陷严重影响整车的美观性及服役性能,针对人工检测效率低、漏检率高的问题,提出一种基于改进YOLOv4算法的轮毂表面缺陷检测方法。构建了轮毂缺陷数据集,其包含6种表面缺陷,由2346张4928×3264pixel的图像组成;采用K-means方法进行先验框聚类,并针对YOLOv4算法在纤维、粘铝等小尺度缺陷上检测精度不足问题,在原网络Neck部分引入细化U型网络模块(TUM)和注意力机制,用于增强有效特征并抑制无效特征,强化多尺度特征提取与融合,改善特征处理过程中可能存在的小目标信息丢失问题;基于该数据集,训练并测试不同算法的缺陷检测性能并验证改进模块的有效性。结果表明,该方法大幅提升了粘铝等小尺寸缺陷的检测能力,缺陷检测平均精度达到85.8%,与多种算法相比较检测精度最高。     

卷烟包装外观缺陷数据集构建及深度学习检测技术研究

目的 为了提升烟包缺陷检测的准确率,构建卷烟包装外观缺陷识别基准数据集,并开展主流深度学习模型在卷烟包装外观缺陷智能检测中的应用研究。方法 首先,从生产运行中的ZB45型细支烟硬盒包装机组采集缺陷图像,经过人工审核与筛选后获取典型的缺陷数据。然后,根据缺陷的特征与成因,将缺陷数据划分为23个类别,并逐一进行目标检测框标注。最终,形成了包含13 000余张缺陷图像的卷烟包装外观缺陷识别基准数据集,并针对烟包缺陷识别、缺陷分类、目标检测、模型迁移4项任务开展实验。结果 结果表明,数据集能够满足高准确率深度学习模型的训练需求;通过模型迁移,能够利用该数据集大幅提高不同牌号卷烟的缺陷检测效果;DenseNet模型在烟包缺陷识别与缺陷分类任务上表现较好,准确率分别达到93.70%和95.43%,YOLOv5模型在缺陷目标检测任务上mAP@0.5值达到了96.61%。结论 该数据集能够作为烟包缺陷检测领域的基准数据集,研究成果将进一步支撑卷烟包装领域的数据应用与数字化转型。     

基于模板匹配的啤酒箱印刷质量检测方案

目的快速且精准地检测啤酒箱常见的印刷缺陷。方法以啤酒箱面纸为检测目标,通过提取模板图像中形状和灰度值信息构建差异模型的模板匹配方法,对啤酒箱印刷中常见的缺陷特征进行检测,根据检测结果判断印刷质量是否合格,并通过检测验证实验对质量检测方案的效果进行评估。结果通过对所采集的500张图像进行检测实验并统计结果,该方法的平均准确率达到96.18%,漏检率小于0.9%,误判率为3.08%,平均检测耗时低于10 ms。结论使用该方法对啤酒箱面纸这类胶印制品进行质量检测的效果优秀且稳定,可以对细小划痕等高精度要求的缺陷进行精准检测,而且检测速度也快于其他方法。     

基于支持向量机的印品缺陷分类方法

目的研究印品图像的各类形状缺陷,建立基于支持向量机(Support vector machine,SVM)的印品形状缺陷分类模型。方法对印品进行符合人眼视觉特性的缺陷识别,并对提取缺陷进行特征分析。将特征数据导入支持向量机进行训练学习,SVM分类器对缺陷图像进行测试。结果分类器对点缺陷和面缺陷的识别率为100%,对线缺陷的分类准确率达93.94%。结论基于SVM的缺陷分类方法能较好地满足印品质量检测的需求。     

基于机器视觉的二维图像质量缺陷检测研究进展

目的 机器视觉图像处理技术是近年在图像处理领域发展起来的一门新兴边缘交叉学科，二维图像的质量检测是印刷行业中必不可少的环节，分析基于机器视觉的二维图像质量缺陷检测流程，探索影响基于机器视觉的二维图像质量缺陷检测精度的相关因素，为后续研究印刷品的二维图像自动化检测和质量控制提供参考。方法 在此基础上，围绕图像预处理中的灰度转换、噪声过滤、固定阈值分割、自适应阈值分割、Otsu法及边缘检测，对图像配准中的基于灰度统计信息分布配准方法、基于特征的图像配准方法进行总结，然后归纳分析图像的缺陷提取和分类。结论 以实际例子对上述研究内容进行了提炼，通过图像预处理中的噪声过滤为后续缺陷提取提供清晰图像，减少伪影干扰；通过图像预处理中的灰度变换、阈值分割、感兴趣区域提取减少系统处理时间，为实现高效的缺陷检测奠定了坚实的基础；通过图像配准消除了机械振动引起的图像位置偏移，确保后续缺陷提取的准确性；通过图像缺陷提取和分类帮助印刷企业找出生产问题，提供有针对性的改进措施，可为生产高质量产品提供支持。     

基于改进YOLOv5的金属工件表面缺陷检测

目的 针对金属工件表面小尺寸缺陷检测精度低的问题,提出以YOLOv5网络为基础,结合注意力机制与Ghost卷积的表面缺陷检测算法。方法 首先,在原网络中增加SE通道注意力模块,增加缺陷有关信息的权重,减少无用特征的干扰,从而提高目标的检测精度。然后,将网络中空间金字塔池化模块的池化方式由最大池化替换为软池化,使得在下采样激活映射中保留更多的特征信息,获得更好的检测精度。最后,采用Ghost卷积块替换主干网络中的常规卷积模块,提取丰富特征及冗余特征,以此提高模型效率。结果 改进后网络平均精度均值达到0.997 8,相比原网络提高了7.07个百分点。结论 该网络显著提高了金属工件表面缺陷检测的精度。     

基于机器视觉的VVT发动机转子缺陷检测系统设计

针对目前工业生产线上的VVT（variable valve timing,可变气门正时）发动机转子存在尺寸误差和外观缺陷等问题,大多数工厂采用人工方式来测量尺寸和检测缺陷,但人工测量和检测的精度易受外部环境和主观意识的影响,从而产生过检和漏检。为此,设计了一种基于机器视觉的VVT发动机转子缺陷检测系统。首先,针对VVT发动机转子凸台外边缘磕碰点对外径测量的干扰,提出一种基于梯度特征和位置序列的磕碰点检测算法,先通过分析轮廓点的距离-位置序列、梯度-位置序列曲线来筛选并去除凸台外边缘的磕碰点,再采用最小二乘法对筛选后的轮廓点进行圆弧拟合以实现外径测量。然后,针对VVT发动机转子端面上的划痕、划伤等缺陷,提出一种基于改进HOG（histogram of oriented gradient,方向梯度直方图）特征的SVM（support vector machines,支持向量机）分类算法,先采用连通域分析方法得到待检测的目标区域,再提取目标区域的改进HOG特征,并利用SVM进行分类,以实现端面缺陷的检测。实验结果表明,所设计的缺陷检测系统在测量VVT发动机转子外径时的绝对精度可达到0.01 mm,且能够准确地筛选出凸台外边缘的磕碰点;因改进的HOG特征优于传统的HOG特征,所设计的缺陷检测系统在检测转子端面缺陷时具有较低的过检率和漏检率。综上可知,基于机器视觉的VVT发动机转子缺陷检测系统可实现外径的精确测量和外观缺陷的有效检测,基本满足工业检测要求,具有较高的实用价值。     

磁瓦表面缺陷机器视觉检测与识别方法

针对磁瓦生产过程中表面缺陷检测的重要性和人工检测的弊端,研究基于机器视觉的磁瓦表面缺陷自动检测与识别方法.为解决磁瓦表面缺陷种类多、对比度低、图像中存在磨痕纹理背景和整体亮度不均匀等难点,定义扫描线梯度,其标准差与扫描线灰度标准差构成特征向量,提出基于两类支持向量机的图像分割方法来判别和提取缺陷;并提出一种改进的多类支持向量机方法,对缺陷进行分类识别,解决了多类支持向量机存在不可分区域的问题,提高了分类器的准确性和有效性.实验结果表明,该方法能准确快速地提检测磁瓦表面各区域的各类缺陷,检出率可达到96％以上,识别率超过91％.