基于向量的带钢缺陷检测算法

介绍了用计算机视觉检测系统中的图像处理技术检测带钢的边裂以及孔洞。首先识别带钢图像的轮廓,得到带钢边部、孔洞的轮廓曲线向量编码,然后利用向量的点积计算轮廓的弯曲程度,据此作为判断条件,检测边裂与孔洞缺陷。实验结果表明：该方法应用到实际检测系统中,能够可靠地检出带钢的边裂。     

基于Adaboost改进算法的铸坯表面缺陷检测方法

 针对钢铁铸坯表面检测及缺陷识别问题,从图像处理及机器学习角度,提出一种基于Adaboost算法的进行钢铁铸坯表面缺陷检测,并结合Gabor小波和Canny边缘检测进行处理,排除伪缺陷的新方法。大量试验表明：该方法能够较好地检出具有缺陷的钢铁铸坯,且具有准确率高、速度快、易实施等优点。     

基于STCS-YOLO的带钢表面缺陷检测算法

带钢表面缺陷检测技术是高质量带钢产品生产的重要技术之一。针对以往带钢表面缺陷检测中存在漏检、定位不准、小尺度缺陷目标检测能力较差的问题,提出了一种改进YOLOv5的带钢表面缺陷检测算法(STCS-YOLO)。首先,在特征融合网络的输出部分采用Swin Transformer模块与原有C3模块相融合,增强对全局特征信息的交互与复用,显著提高了对小尺度缺陷目标的检测能力;其次,采用一种轻量级上采样算子CARAFE来替换传统上采样操作,以更好地恢复缺陷信息,提高对带钢表面缺陷的识别精度;最后,在特征提取网络中嵌入3-D权值注意力机制SimAM,以加强对前景特征信息的关注能力,提高对缺陷目标的强辨识能力。试验结果表明,所提算法在NEU-DET数据集上均值平均精度P_mA达到了79.7%,比原网络提高了3.9个百分点,并且在模型权重与计算复杂度几乎不变的情况下,单帧检测时间达到了10.9 ms,基本能够满足带钢表面缺陷准确、快速的检测需求。本研究提出的带钢表面缺陷检测算法为生产整洁、无瑕的高质量带钢产品奠定了技术基础。     

热轧带钢表面缺陷识别算法研究与应用

 在带钢热连轧生产过程中,带钢表面会出现不同类型的缺陷,给带钢性能造成不利影响,严重时引发质量异议。目前在线使用的带钢表面检测系统经常需要人工调整缺陷图片库,部分类别的典型缺陷图片调整后会影响另一些类型的检测精度。采用深度学习方法,设计了一种轻量化残差网络LDS-ResNet14,缩减了原始残差网络ResNet18的层数和宽度,并将普通的卷积替换成深度可分离卷积,网络的参数量和运算量大量减少;同时,使用知识蒸馏(Knowledge Distillation,KD)方法迁移大型残差网络ResNet50的知识,并提出一种混合KL散度和交叉熵的损失函数让知识更好的迁移到LDS-ResNet14上,在压缩模型的同时提升了模型的精度和泛化能力。离线试验表明,提出的网络LDS-KD-ResNet14针对武钢CSP机组的8类带钢表面缺陷的平均识别精度为99.16%,相较于ResNet18精度提高0.67%,计算量仅为原来的12.1%。实际现场在线应用表明,针对武钢CSP热连轧机组的折叠、油污、夹杂和麻点这4类缺陷,模型缺陷检出率达到96.43%、缺陷识别率达到94.10%,单张图片的检测速度为16.5 ms,满足实际生产要求。     

基于图像预处理的神经网络带钢缺陷检测

针对带钢表面缺陷的特点,提出了1种基于图像预处理消除光照不均等的干扰且用神经网络进行缺陷识别的检测方法.带钢缺陷的检测分为3步:首先,对采集的图像进行预处理,通过图像零均值化以消除光照对检测的影响,分别利用维纳滤波和sobel算子对图像进行滤波除噪和锐化处理;其次,通过最大类间方差法进行图像分割以及计算面积来判断是否存在缺陷;最后,在提取图像特征的基础上,通过设计人工神经网络识别带钢缺陷类型.实验表明,采用的方法能够有效抑制图像背景干扰,能够有效地实现带钢缺陷的快速检测.     

缺陷超声定量检测

本文叙述了准确测定缺陷离焊缝两个人侧面距离的重要性，通过实验研究对比了三种检测方法的使用范围。     

基于改进YOLOv8的露天矿区行车障碍物检测

露天矿区场景复杂,行车障碍物检测受扬尘和颗粒物等粉尘噪声干扰严重,难以准确识别障碍物,尤其是光线较差的夜间,不利于做出正确决策,从而影响无人作业的安全性和整体效率。针对以上问题,提出了一种基于YOLOv8n模型的露天矿区行车障碍物检测算法YOLOv8n-Enhanced。该算法主要从3个方面进行了改进,具体包括：首先,针对受粉尘噪声干扰严重和夜间光线不足的问题,提出了C2fCA模块结构,提高了模型特征提取能力;其次,使用轻量级卷积技术GSConv和VoV-GSCSP模块,减轻模型复杂性,实现检测器更高的计算成本效益;最后,使用WIOU损失函数,提高了模型泛化能力。试验结果表明：改进算法在保持实时性的前提下,可将YOLOv8n的平均精度（mean Average Precision,mAP）分别提高1.8%和2.6%,实现白天与夜间场景下不同尺度的障碍物识别。     

基于图像零均值化的带钢缺陷检测

 针对带钢表面缺陷的特点,提出了一种基于图像零均值化的检测方法。首先,通过对测试图像进行零均值化,以消除光照对检测的影响;其次,利用维纳滤波对零均值化图像进行滤波除噪;在此基础上,采用Sobel进行锐化处理;最后,通过最大类间方差法进行图像分割,从而实现对带钢表面缺陷的检测。试验表明,本方法能够有效抑制图像背景干扰,有效地实现带钢缺陷的快速检测。     

基于图象处理的冷轧带钢表面缺陷在线检测技术

对光在不同钢板表面的反射性质进行了研究,在此基础上,提出了“明场方式”和“暗场方式”两种缺隐检测方式,“明场方式”可用于检测普碳钢表面的二维和三维缺陷,“暗场方式”可用于检测不锈钢表面的三维缺陷。对缺隐检测算法的流程进行了研究,提出了“实时处理”和“准时处理”两种数据处理方式,这两种方式应用于缺隐检测过程的不同步骤,以保证缺陷检测算法的实时性。     

基于数学形态学的带钢表面缺陷检测研究

阐述了数学形态学的原理和方法,研究了数学形态学在带钢表面缺陷图像滤波和边缘检测中的应用,通过与传统滤波方法和边缘检测方法的对比,表明基于多结构元素的数学形态学方法不仅能有效滤除噪声、检测弱小目标在内的图像的边缘,而且还具有较强的抗噪性能。     

基于Faster-RCNN的钢带缺陷检测方法

目前实际工业生产中的钢带缺陷检测任务存在数据难以收集、缺陷识别效果较差等问题,为此提出一种基于Faster-RCNN的钢带缺陷检测模型FRDNet.通过k-means聚类获得锚框参数,使生成框更符合目标缺陷类别比例,提高缺陷检测精度;同时利用模型迁移的方式微调网络结构,使钢带缺陷检测模型更快地适应目标缺陷任务.该方法有...     

热轧表面缺陷检测在连铸质量缺陷控制中的应用

介绍了武钢炼钢总厂的热轧缺陷表面检测系统,分析了连铸板坯表面缺陷在热轧过程中的演变规律.通过对热轧工序表面检测系统中各类缺陷与连续铸钢工序工艺操作的关联分析,建立了基于表面检测系统的连铸板坯质量控制与评价模式.并充分利用这一模式对连铸过程的工艺操作进行改进和优化,使板坯轧后质量类降级改判率降低到0.15％以下,确保了最终产品质量的稳定.     

基于机器视觉的钢板表面缺陷检测系统

钢板的制造能力是钢铁企业发达程度的一项主要指标,因其优异的表面质量特征和机械力学性能,在车辆工业、国防、航空航天、化工设备以及轻工业生产加工等行业中获得了广泛的使用。同时由于加工技术和生产工艺的完善和企业自动化管理能力的日益增强,钢板的形状精度、板形、动力学性能和表面质量特征均受到了较好的保证,而随着车辆、航空、机械电子、家电和建筑装潢材料等钢板的主要客户对钢板表面质量的需求也愈来愈大,使钢板表面质量问题也日益凸显。     

基于纹理描述的花纹板缺陷检测

提出一种基于保相位变换(PHOT)的纹理抑制方法对花纹板表面进行处理,抑制规律纹理,突出非规律纹理即缺陷区域.首先对花纹板图像进行预处理,主要包括降采样、亮度补偿及水痕标记,对预处理后的图像进行FFT变换,幅度均一化及FFT反变换,得到仅保留相位信息的频域图像.对得到频域图像求梯度以放大缺陷和正常区域的差异,并采用马氏距离对梯度图进行二值化操作.最后对二值化图像进行包括缺陷重构和去水痕在内的后处理操作,从而实现花纹板表面缺陷检测.经测试,该算法对花纹板表面存在的花纹残缺、花纹错乱、翘皮和油斑四种缺陷都有较好的检出效果.     

无损检测技术在复合材料缺陷检测中的应用分析

随着时代的发展,传统材料已经无法满足人们在各种新型领域中的需要,新型的高性能复合材料便应运而生.随着高性能复合材料广泛用于军事、航空航天、核电、铁路等不同领域,弊端也随之暴露:随着使用时间的延长,复合材料中本身存在的细小缺陷会逐步扩大,或是出现了原本没有的缺陷,达到一定程度后材料在宏观上会出现如裂纹、腐蚀、分层及粘脱等...     

基于改进的支持向量回归机算法的磁记忆定量化缺陷反演

针对焊缝缺陷磁记忆检测中存在定量化反演难题,建立了基于改进的支持向量回归机定量反演模型.以预制不同尺寸未焊透和夹渣缺陷的Q235焊接试样为试验材料,进行磁记忆扫描检测发现:缺陷位置的磁记忆信号特征参数随尺寸变化而呈现一定的变化规律,但同时存在分散性和不确定性.鉴于磁记忆信号样本的有限性、分散性和非线性,首先将提取到的磁记忆特征参数进行归一化处理,引入支持向量回归机建立焊缝缺陷磁记忆定量反演模型,并进一步利用模拟退火算法对支持向量回归机参数进行优化,使目标函数达到全局最优而非局部最优.最后,考虑到由磁记忆信号逆向反推缺陷的三维尺寸,存在解的不确定性,为此在缺陷单维尺寸反演模型的基础上,通过构建多层结构的支持向量回归机进行多尺寸反演输出,建立了基于模拟退火支持向量回归机的焊缝缺陷磁记忆定量反演模型,结果表明:未焊透缺陷尺寸反演最大相对误差为7.96%,夹渣缺陷为4.97%,为焊缝缺陷的磁记忆反演与定量化评价提供一种新的思路.