TR组件基板焊接缺陷快速检测方法

提出一种基于Faster RCNN(Faster Region with Convolutional Neural Networks)的电路板缺陷图像自动检测方法。该方法首先应用Res Net50网络作为主干网络以提取缺陷图像特征;然后针对电路板图像中缺陷的极端长宽比特点,提出基于特征金字塔的区域推荐网络,得到多尺度特征融合图并生成建议框;最后,通过对感兴趣区域进行池化处理,并结合后续网络实现对电路板图像上缺陷的快速检测。试验证明,所提算法能够快速定位出电路板图像中的各种缺陷,并能实现准确的自动分类识别。     

基于激光视觉传感的渔船目标无人机低空识别研究

为了提高渔船目标无人机低空识别的准确率,提出基于激光视觉传感的渔船目标识别方法。采用阈值分割和角点定位标定渔船目标激光视觉传感图像的方位特征点;提取渔船目标的位置信息、速度信息、加速度信息、运动轨迹信息,建立渔船目标激光视觉传感图像的背景差分检测模型;通过帧动态检测和差分图像聚类,计算相邻目标质心的距离;根据参数估计和像素灰度值检测,结合目标方位估计,实现对渔船目标激光视觉传感图像的定位识别。结果表明,采用该方法能够有效识别渔船目标,目标方位识别准确性达到90.95%以上,提高了渔船目标无人机低空识别准确性。     

桥梁红外图像的自动识别跟踪方法探讨

文中以实时采集到的桥梁红外图像为基础，探讨了复杂背景中桥梁的识别跟踪方法，文中先对桥梁红外图像进行了预处理，充分利用桥梁红外图像的二值化图和二值化方差图进行桥梁图像的分割，采用逐步渐进的方式进行桥梁的检测识别工作，并采用选下阈值的边缘增强手段突出桥身的外缘线；利用可变点的线段模型去检测不同距离不同大小的桥墩。文中还介绍了采用一形心中跟踪算法识别出桥梁进行适应波门跟踪。     

基于小样本图像分类的芯片引脚缺陷检测方法

为了检测SOP芯片的引脚缺陷，提出了基于小样本图像分类的SOP芯片引脚缺检测的方法。该方法包含了芯片定位识别、芯片倾斜矫正以及芯片引脚参数测量。根据芯片塑封体与视觉系统采集的样品背景的特征进行芯片定位识别算法研究。通过提取芯片塑封体的边缘点进行直线拟合并矫正倾斜的芯片算法研究。基于Lnent-5模型构建图像分类网络，以10×10的尺寸对预处理后的图像进行切割并分类，通过分类结果确定每个引脚的位置以及边界，并根据引脚边界的分类结果计算芯片引脚的关键尺寸，判断是否存在缺陷。实验结果表明总体检测率达到99%,此方法能够满足在小样本的情况下稳定、准确地检测出SOP芯片的引脚缺陷。     

USB摄像头的条形码识别

以USB摄像头为输入设备,提出一种改进的EAN-13条形码定位和识别算法.首先,视频连续两帧图像进行差分运算,当其绝对值小于一定阈值,捕获当前图像帧,进而用形态学的膨胀和腐蚀算法对捕获到的图像进行条形码区域的定位;然后,用大律法求定位后图像的全局阈值并对其进行二值化;再然后,用所提出的矩形平移的校正方法对倾斜的条形码进行倾斜校正;最后,用平均宽度法计算出条形码条和空的宽度,接着识别条形码并判断是否识别正确.实验结果表明,该算法识别速度快,识别率高.     

基于改进Hough变换的印刷电路板定位配准

电路板自动光学检测中常通过检测电路板的边缘直线来确定其旋转角度和平移量从而完成定位配准,存在运算量大、精度不高的问题.对传统Hough变换检测直线方法进行改进,从图像金字塔、约束投票角度、约束搜索点的区域3个方面提高Hough变换的效率,并利用最小二乘拟合法提高检测精度.定位配准时,先运用改进的Hough变换求取电路板边缘直线的近似参数;然后在原图上对边缘直线进行拟合求取电路板的精确旋转角度和平移量,完成定位配准.实验表明本文方法能准确完成电路板的定位配准,对大小为1 920×1 080像素的电路板图像,定位时间约为60 ms,定位误差小于1个像素.     

提高多芯片拼接线性度的新方法

为实现多芯片集成高精度拼接,对芯片拼接线性度进行了深入研究,提出了一种保证高精度芯片集成拼接方法.通过CCD图像匹配、识别定位每个芯片的实际位置坐标,根据已经拼接完成的芯片位置坐标拟合,进行芯片逐步预定位,及时纠偏,拼接完成后进行每一行芯片的直线度和行与行之间平行度的检测,介绍了芯片集成拼接工艺流程和拼接方法,并对检测...     

几何约束下噪声一致性的图像拼接篡改检测

将以图像块为单位的噪声水平估计方法应用在图像篡改定位时,会导致分割边缘呈锯齿状并降低边缘定位准确率。针对该问题,文中提出了一种基于几何约束和噪声一致性分析的图像拼接取证算法。采用基于统计的噪声水平估计与K-means算法对每个图像块实现初步检测定位,提取初步拼接区域边缘的点集合,并以其每个点为中心,依次在边缘图上进行方形范围搜索,拼接区域边缘。随后,利用几何约束筛选算法选择疑似篡改边缘点来定位篡改区域。相较于现有算法,在Columbia上正确检测率相同的情况下,采用文中方法可将错误检测率降低12.7%,并降低算法复杂度。     

基于两方法博弈的马尔可夫随机场红外图像分割算法

电路板红外图像芯片提取是电路板红外故障检测系统中的重要环节,已成为红外图像分割领域关注的一个重点。针对红外图像的特性及传统分割算法效率和精度不足的缺陷,提出一种基于两种优化策略博弈的马尔可夫随机场红外图像分割方法。首先通过OTSU算法对图像进行初始分割;然后利用马尔可夫随机场理论建立图像分割模型;最后,通过SA、ICM优化策略间的博弈对图像进行分割,将两种优化策略视为博弈的两个局中人,通过寻找博弈的纳什均衡点来实现分割;实验结果表明,算法能够无人工干预地准确提取电路板红外图像所有芯片发热区域,并且很好地抑制噪声,准确处理边缘信息,具有一定的实用性和鲁棒性。     

针对肝包膜特征图的自动化提取方法

为了自动化提取肝包膜及其上下组织特征图,实现全自动特征学习,文中提出采用频域处理与图像形态学处理的方法对图像进行预处理,并借鉴移动平均法提出二路交叉感受野策略,由感受野映射区域进行特征筛选与分析。通过对数能量函数识别并定位目标区块,从而实现对肝实质病变特征、肝包膜、肌肉脂肪层纹理特征数据提取与分析,并根据数据分析获取肝包膜及其上下组织特征图。根据特征区域的相对位置,提出区块纠错机制对误检区块进行校正,使其更具鲁棒性。实验结果表明,在对肝硬化超声图像中的肝包膜及其上下组织特征图的提取过程中,该提取机制在正常、轻度、中度阶段特征提取均达到100%的准确率,对于重度病情阶段的特征提取准确率达到84.6%。     

基于机器视觉的焊点检测算法研究

为了提高电路板焊点检测的准确率,提出了改进的K-近邻法。首先,采用工业相机采集图像并选取470个焊点作为训练样本,利用模板匹配法对图像中的焊点进行定位。然后根据特征分布直方图提取焊点的特征并绘制特征分布情况,选择能区分不同类别焊点的特征作为有效特征。最后,建立改进的K-近邻法焊点检测分类器,选取559个焊点作为测试样本对模型进行测试。实验结果表明改进的K-近邻算法检测的准确率96%以上,可以有效地提高检测效率。     

基于YOLOv5的印制电路板缺陷智能检测

为了检测印制电路板表面的多种缺陷,基于YOLOv5深度学习算法,进行数据集分类、数据增强和神经网络的构建。通过对缺陷图像目标信息的提取,在印制电路板数据集上进行迭代训练,获得最佳检测模型。对测试集中的印制电路板图像进行检测,统计检测精度相关参数,与传统印制电路板检测模型对比分析。建立基于YOLOv5算法的印制电路板缺陷智能检测模型,对印制电路板表面缺失孔、咬伤、开路、短路、杂散和伪铜等六种缺陷检测,结果表明平均准确率达到99.52%。基于YOLOv5算法的印制电路板缺陷检测模型训练速度快,检测准确率高,有助于印制电路板公司进行大批量快速缺陷检测,提高印制电路板生产质量和检测效率。     

基于SVM的疲劳驾驶人脸图像特征检测算法

针对传统图像识别算法对疲劳驾驶检测精度差、准确率低的缺陷,提出了一种利用人脸图像特征提取的疲劳驾驶检测方法。首先将实时采集到的车辆驾驶员面部图像进行预处理,借助Dlib检测出图像中的人脸区域并进行人脸图像特征点的标注,然后使用基于眼睛纵横比(Eye Aspect Ratio,EAR)的方法进行图像中人眼疲劳特征的识别,基于嘴唇纵横比(Mouth Aspect Ratio,MAR)的方法进行图像中嘴部疲劳特征的识别,最后利用支持向量机(SVM)的方法将两种特征融合起来进行疲劳驾驶检测。实验表明,该方法可以准确地定位出特征点,疲劳检测的识别率达84.29%,可以有效地识别出疲劳状态。     

基于Matlab GUI的绝缘子缺陷检测系统

绝缘子在输电线路的电能输送任务中承担着重要作用,而依靠传统巡检的绝缘子检测方式存在主观性强、人工成本高等劣势。针对上述问题,基于Matlab GUI设计了一种对无人机采集绝缘子图像进行自动缺陷检测的系统。通过对图像进行边缘模糊、灰度化、全局腐蚀、形态学闭运算等处理,在初始图像中识别并定位绝缘子缺陷部分。实验结果表明,该系统对空间位置处于水平、垂直及倾斜的缺陷绝缘子识别准确率分别为80.0%、86.7%、86.7%,对实际运用具有一定价值。     

基于TensorFlow平台的喷码字符日期码识别研究

针对传统的图像识别方法在喷码字符日期码识别中速度较慢的问题,文中使用TensorFlow平台,搭建一个卷积神经网络模型,实现端到端的喷码字符日期码识别。首先,对采集到的图像进行预处理,然后通过检测轮廓的方法提取图像中的喷码字符日期区域并进行尺寸归一化处理,再用训练好的卷积神经网络模型对图像进行端到端的识别。实验结果表明,此模型识别一张图像的平均时间为25 ms,对测试集的365张图像进行识别的准确率在99%以上。     

基于Faster-RCNN的极验点选式验证码识别

针对传统方法难以识别极验点选式验证码的问题,文中提出一种基于Faster-RCNN目标检测模型和卷积神经网络的识别方法。通过简化的RPN提高Faster-RCNN对于背景图片文本定位的精度,再设计卷积神经网络对文本进行分类识别,并训练Tesseract-OCR识别库对信息提示文本进行识别,实现背景图片文本识别结果与信息提示文本识别结果一一对应,达到识别此类验证码的目的。实验结果表明,该方法识别此类验证码的准确率达到72.4%。     

基于小波变换与Retinex的电路板红外图像增强技术

电路板红外图像发热芯片区域的增强是红外图像故障检测系统中一项重要研究内容。针对电路板某些芯片的发热量小,芯片区域红外图像与背景差异弱的特点,为提高故障检测效率,设计了一种融合小波变换与改进的多尺度Retinex红外图像增强算法。首先,通过小波变换获得不同频率的子带图像;然后,利用多尺度Retinex算法对低频子带图像进行增强处理;对于高频子带图像,利用可变阈值去噪,引入图像清晰度参数,依据参数值对高频图像进行适度增强。最后,对处理后的高、低频图像进行小波逆变换与重构,实现电路板红外图像增强。对增强后的红外图像进行的定量以及定性评价表明:与单一的利用直方图均衡算法、小波变换法以及多尺度Retinex增强算法相比,本文算法改善了某些发热芯片区域红外图像对比度低且细节模糊问题,抑制了噪声,提升了电路板红外图像整体视觉效果。     

基于红外图像的ISSA-BP神经网络机载电路板芯片故障诊断

针对传统红外图像的机载电路板芯片故障诊断法诊断率低且无法诊断动态故障的问题,本文提出了一种基于红外温度数据的改进麻雀搜索算法优化BP神经网络（Improved sparrow search algorithm-Back propagation neural networks, ISSA-BPNN）机载电路板芯片故障诊断方法。首先,提取红外热像仪采集的电路板芯片温度数据,建立电路板芯片升温过程中静态、动态、统计特征的特征模型;然后,利用Sine混沌映射初始化麻雀种群分布,利用Levy飞行策略改进发现者种群位置更新公式,将改进后的麻雀搜索算法优化BP神经网络的权值参数;最后,将温度特征模型输入到ISSA-BP神经网络进行训练和测试,从而完成电路板芯片故障诊断。实验采用航电系统电源电路板进行可靠性分析,实验结果表明,该方法在电路板不同工况下综合故障诊断率达到97.84%。     

基于红外差分图像的驾驶员疲劳检测系统

通过对各种疲劳检测方法进行比较分析,提出了一套基于PERCLOS的驾驶员疲劳检测系统总体设计方案。该系统采集图像使用红外光源,利用人眼对两种波长(850nm/950nm)红外光线的反射率的明显差异,应用图像差分的方法,采用直方图均衡化、二值化、膨胀、腐蚀等图像分析手段,同时利用Kalman(卡尔曼)滤波器对眼部位置进行跟踪预测,实现准确定位、跟踪并识别出驾驶员眼睛的睁开和闭合过程,通过分析眼睛闭合时间来判断疲劳程度。     

一种基于差分DCT系数对直方图的图像取证方法

提出了一种基于差分DCT域系数对直方图的图像拼接篡改检测方法.该方法首先对图像进行DCT变换,而后分别计算DCT系数矩阵的水平、垂直、主对角线、副对角线四个方向的差分DCT系数矩阵,并对得到的差分DCT系数矩阵进行系数对直方图化,提取特征向量.最后,利用支持向量机对真实图像和篡改后的图像进行分类识别.实验结果表明,在相关的测试数据集上,和现存的一些算法相比,该方法不仅具有较低的计算复杂度,同时,其检测性能在目前所有提出的算法中达到最高,性能优良.