基于BP神经网络的钢球表面缺陷识别

采用灰度共生矩阵为基础的纹理特征计算方法,对钢球表面图像进行特征参数提取,应用基于BP神经网络的图像特征模式识别方法,实现了对钢球表面不同种类缺陷的准确识别,实验结果表明,该方法能够对钢球表面缺陷进行有效地分类识别。     

基于小波和灰度共生矩阵的带钢表面缺陷识别

提出了一种基于小波变换和灰度共生矩阵的带钢表面缺陷识别方法。采用小波变换分解缺陷图像并提取其低频子带信息。通过在低频子带上构造0°、45°、90°和135°四个方向的灰度共生矩阵,分别计算角二阶矩、熵、对比度和逆差矩4个特征值,共获得16个特征值,并将其输入支持向量机,完成对6类共1800张带钢表面缺陷图像的识别,总体识别精度大于96%。实验结果表明,小波变换与灰度共生矩阵结合能有效描述带钢表面缺陷纹理特征,具有较好的识别效果。     

基于图像法的端铣表面粗糙度研究

基于机器视觉理论,采用图像法,实现了对端铣工件表面粗糙度的非接触式无损检测。通过数字显微镜、高分辨率摄像机与计算机相连接的图像采集系统获取端铣工件表面图像,根据端铣原理和端铣痕迹图像特征,提取基于灰度共生矩阵方法(GLCM)的8表面纹理特征参数,探讨各纹理参数与表面粗糙度评定值Ra的变化规律,从而定性评估端铣工件表面粗糙度。建立BP神经网络检测模型,以端铣表面图像纹理特征参数为输入量,对应的表面粗糙度评定值Ra为期望输出,构建了神经网络检测模型。通过测试样本检验,该方法具有较高的检测精度,能够满足表面粗糙度测量的精度要求。     

基于灰度共生矩阵的车刀车削工件表面纹理分析

通过对灰度共生矩阵的介绍,提出一种基于灰度共生矩阵提取纹理图像特征.对纹理学原理与其主要研究方法进行了分析,然后结合车削工件表面图像特征,研究了纹理学特征分析的经典方法--灰度共生矩阵法,并结合车削工件表面图像,分析了车削工件表面纹理在归一化灰度共生矩阵中所表现出的特点.     

铁谱磨粒图像的计算机纹理分析

利用计算机图像处理技术，采用灰度共生矩阵方法提取典型磨粒图像的纹理特征参数，作为判断机械设备故障机理的判据之一。通过正常、滑动、切削、疲劳磨粒灰度共生矩阵纹理分析，得到熵、能量、惯性矩等参数的范围。     

高频直缝焊管焊缝表面形貌图像特征研究

高频直缝焊管的性能很大程度上取决于焊缝的质量,焊缝表面的质量成为了判别焊缝质量的重要因素。为了定量评价高频直缝焊管生产过程中焊缝表面形质量,采集了高频直缝焊管不同质量评级对应焊缝表面的图像信息,基于MATLAB平台,利用图像处理方法对不同质量焊缝表面图像进行了预处理,提取样本图像的几何形状及纹理特征等11维图像特征参数,经过对这些参数的动态变化建立了用于焊缝表面质量判别的BP神经网络模型。结果表明:缺陷边界周长﹑圆形度﹑矩形度等焊缝表面形貌图像特征参数可以作为描述焊缝表面形貌质量的定量指标,并可用BP网络模型对焊缝表面形貌进行识别预测。本研究为建立焊缝表面形貌的定量评价体系提供了新途径。     

砂纸在线纹理特征提取方法的研究

纹理特征作为图像的表面固有特征,在模式识别中有着重要的作用。针对提取砂纸表面缺陷纹理特征的问题,提出了灰度共生矩阵的概念,建立了砂纸的灰度共生矩阵模型,对模型进行相关的理论分析,诠释了图像预处理工作的重要性和各个参数的影响机制;同时针对砂纸图像光照不均匀的现象,采用了基于概率的数字图像不均匀校正算法,对图像质量进行改进。通过对实验的仿真分析,验证了传统的灰度统计特征的方法在提取砂纸纹理特征中的不足,得出灰度共生矩阵在纹理特征提取中具有更好的适应性结论。最终构建砂纸的特征向量,为模式识别过程中分类器的训练提供了理论依据。     

纹理图像分析技术在表面粗糙度测量中的应用

以MATLAB软件为设计平台,构建了零件表面粗糙度的检测系统。采用同态滤波等图像处理技术,对零件表面图像进行预处理,选取图像灰度直方图参数为表征纹理的像元特征值,灰度共生矩阵参数为表征纹理结构的区域特征值,建立了BP神经网络,实现了对零件表面粗糙度参数的测量,并对测试结果与电动轮廓仪的测量结果进行了对比和分析,验证了系统的可行性。     

基于磁光成像的低碳钢WAAM成形件表面缺陷检测与分类

针对电弧增材制造(WAAM)成形件表面及亚表面微小缺陷难以检测和识别的问题,结合图像纹理特征和神经网络提出一种基于磁光成像的无损检测方法,实现低碳钢WAAM成形件表面微小缺陷检测和分类。首先对二次表面精加工后的WAAM成形件进行磁化,并使用磁光成像仪获取成形件表面磁光图像作为试验样本,然后对磁光图像进行预处理,用灰度共生矩阵提取每幅图像的能量、熵、对比度和相关性纹理特征,对比分析无缺陷、熔合不良、凹陷和裂纹4种WAAM成形件表面质量纹理特征,最后通过建立的LMBP神经网络模型对成形件表面质量进行分类预测。试验预测结果表明,WAAM成形件表面缺陷检出率为97.33%,表面质量分类准确率可达91.33%,验证了所提方法能够有效检测和识别低碳钢WAAM成形件表面微小缺陷。     

原发性肝癌CT图像纹理分析

目的探索图像纹理分析方法对原发性肝癌CT图像的识别能力。方法首先从一阶统计特征、灰度共生矩阵、灰度行程矩阵3方面提取正常肝脏和原发性肝癌CT图像的纹理特征,然后采用t检验进行特征选择,最后利用BP神经网络对保留的特征进行分类识别。结果 BP神经网络对正常肝的识别率是100±0.00%,对原发性肝癌的识别率是93.60±5.35%。结论 BP神经网络经设计优化后能达到较高的识别准确率,对于原发性肝癌的计算机辅助诊断具有一定实际意义和理论价值。     

交变/旋转磁场下焊接缺陷磁光成像检测与分类

针对任意角度焊接缺陷难以检测的问题,研究在不同磁场激励下焊接缺陷磁光成像无损检测系统。重点介绍了由U形磁轭产生的交变磁场和平面交叉磁轭产生的旋转磁场激励焊件的机理,比较了交变/旋转磁场激励下不同焊接缺陷的磁光成像效果。基于法拉第旋转效应分析磁光成像特性与磁场强度之间的关系,磁光图像的灰度值可以匹配相应的漏磁场强度。采用主成分分析法提取融合图像列像素灰度特征和通过灰度共生矩阵提取磁光图像纹理特征,建立BP神经网络模型和支持向量机模型识别这些缺陷特征。试验结果表明,在旋转磁场激励下,BP神经网络模型和支持向量机模型的分类精度分别为94.1%和98.6%,相比交变磁场,分类精度分别提高了10.7%和8.5%。旋转磁场激励下的磁光成像克服了定向检测的局限性,能够实现对任意角度焊接缺陷的检测及分类。     

基于声发射技术的箱型梁大应力区故障模式识别

在介绍了声发射技术的基础上,采用 BP 神经网络,分别对预置故障的港口起重机典型结构———箱型梁的声发射信号进行分析.选用原始波形特征参数以及它们之间组合派生出的特征参数等9个参数作为神经网络的输入,设计箱型梁大应力区常见五种故障模式:正常、局部表面裂纹、局部深埋裂纹、局部焊缝、对接焊缝为最终识别分类模式.结果表明,该方法可以对以上五种模式的声发射源进行有效识别     

基于主动小样本学习的管道焊缝缺陷检测方法

基于X射线探伤的焊缝缺陷检测是维护管道安全的关键环节,实现高精度、高效率的缺陷智能检测是推动无损检测智能化、现代化的重要方面。目前,基于深度学习的缺陷检测方法很难达到较高的精度和效率,因其需要大量标注样本且难以获取。针对这一问题,提出了一种基于主动小样本学习的管道焊缝缺陷检测方法。首先,基于轻量级神经网络提取小样本特征,以数据驱动的方式训练缺陷检测器;然后,推理无标签样本计算检测及分类不确定度并充分挖掘价值样本;最后,根据高价值样本微调网络参数,以最小的成本获得较高的性能提升。实验结果表明,方法能够利用更少的样本,在保证运行效率的前提下,提高约8%的精度。     

焊接缺陷磁光成像动态检测与识别

为了实现焊接缺陷的自动检测,研究一种交变磁场激励下焊缝表面及亚表面缺陷的磁光成像动态无损检测方法。分析了基于法拉第磁致旋光效应的焊接缺陷磁光成像机理,并结合交变磁场原理推导出励磁变化与动态磁光成像的关系。探索低碳钢板的亚表面焊缝磁光成像特征试验,验证了所提方法可用于检测焊缝亚表面的未熔合缺陷。最后对高强钢焊缝特征的动态磁光图像进行分析,采用主成分分析法和支持向量机(PCA-SVM)模式识别方法建立了焊接缺陷分类模型。试验结果表明,所提方法可以识别高强钢焊件中的焊缝特征(未熔透、裂纹、凹坑和无缺陷),缺陷分类模型的整体识别率达到92.6%,能够实现焊缝表面及亚表面缺陷的自动检测。     

挠性印制电路板焊盘表面缺陷的检测

针对挠性印制电路板(FPC)上的焊盘表面缺陷,提出一种基于图像处理技术的智能检测方法。首先,根据缺陷的表现形式对焊盘缺陷进行归纳与分类,采用最大熵值法量化提取焊盘的颜色特征和面积特征;然后,通过评估灰度共生矩阵(GLCM)对纹理颜色变化特征与纹理结构特征量化的有效性,将其应用于焊盘纹理特征的量化与提取。实验分析显示,缺陷焊盘与非缺陷焊盘在某个或多个特征上存在着明显的差异。基于该特点,建立了BP神经网络,以焊盘的颜色、面积、纹理结构、纹理颜色变化特征值作为神经网络的输入,通过学习大量样本,获取最佳权值参数,最终实现对FPC焊盘表面缺陷的检测,检测准确率高达94.6%,50个焊盘的检测时间为300ms。实验结果表明:本文提出的检测方法不仅能够有效地对焊盘表面缺陷进行识别,而且能够满足在线检测对速度的要求。     

Feature selection for surface defect classification of extruded aluminum profiles

This research investigates detection and classification of two types of the surface defects in extruded aluminium profiles; blisters and scratches. An experimental system is used to capture images and appropriate statistical features from a novel technique based on gradient-only co-occurrence matrices (GOCM) are proposed to detect and classify three distinct classes; non-defective, blisters and scratches. The developed methodology makes use of the Sobel edge detector to obtain the gradient magnitude of the image (GOCM). A comparison is made between the statistical features extracted from the original image (GLCM) and those extracted from the gradient magnitude (GOCM). This paper describes in detail every step of the image processing with example pictures illustrating the methodology. The features extracted from the image processing are classified by a two-layer feed-forward artificial neural network. The artificial neural network training is tested using different combinations of statistical features with different topologies. Features are compared individually and grouped. Results are discussed, achieving up to 98.6 % total testing accuracy.     

焊接缺陷磁光成像卷积神经网络识别方法

对焊件表面及亚表面微小焊接缺陷进行检测是保证焊接质量的关键,提出一种基于深层卷积神经网络的磁光成像焊接缺陷检测方法.以法拉第磁致旋光效应为基础,分析磁光成像原理,建立深层卷积网络预测模型,研究不同模型结构参数对训练结果的影响.通过对深度卷积神经网络中间机理分析,研究模型训练过程并自动寻找卷积核最优参数.试验结果表明,第...     

基于视觉的铁路货车滚动轴承表面缺陷分类研究

用CCD代替人眼对轴承表面缺陷进行图像采集,采用卷积滤波与开、闭运算相结合的图像处理方法,有效去除了缺陷周围边缘点的干扰。在提取传统特征基础上增加了压缩度、线度、距离极值比、NMI特征和不变矩等特征量,增强了缺陷分类的依据;对BP神经网络的输入矩阵和归一化方法的改进,提高了神经网络的记忆能力及识别速度;通过试验对缺陷分类系统识别结果进行检测,确定了该系统的可靠性。     

Parameter optimization of friction stir welding of cryorolled AA2219 alloy using artificial neural network modeling with genetic algorithm

In this paper, parameter optimization of FSW of cryorolled AA2219 alloy was carried out to obtain defect free weld joint with maximum weld strength. To achieve this, artificial neural network (ANN) was used to model the relationship between the input parameters and the mechanical and corrosion properties (output) of the weld joints. The optimal FSW parameters were determined by genetic algorithm (GA). The feasible solution of the GA was tool rotational speed of 1005 rpm, tool travel speed of 20 mm/min and tool tilt angle of 3°. The feasible parameter was used to weld and check the ability of the parameter to produce better weld joint than the L₉ orthogonal array parameters. The weld, subjected to the confirmation test, was investigated by means of metallurgical, mechanical, and corrosion testing. This process reduces the costs associated with trial runs to obtain optimal parameters and also the production cost of the cryorolled (CR) plate which is high.     

Classification of esophagitis grade by neural network and texture analysis

Esophagitis is divided into four grades according to the progress degree of disease by the LA classification method. This research was carried out on image processing with endoscope images for quantifying the four grades under the LA Classification. In a previous paper, which presented our work, the algorithm for detecting abnormal parts from one image was developed. This paper was conducted to classify esophagitis grade of one image itself. Whole 30 images were used in an experiment and included normal images and abnormal images with four grades. GLCM (gray level co-occurrence matrices) factors were extracted. The distributions of the texture image histogram were analyzed from each image for texture images. The algorithm to determine esophagitis grade used BPN (Back propagation network) that was composed of the texture histogram distribution for input data. It learned 20 images and verified with 10 images to diagnose under the LA classification system. Recognition ratio of learning result was 93.0% and verification result 77.0%. With features of the neural network, the success rate could be improved with this result by learning the data which were errors. Consequently, the recognition success rate appeared at 96% by total re-learned 30 images in addition to 10 images. This paper was recommended for publication in revised form by Associate Editor Dae-Eun Kim