基于缺陷比例限制的背景差分钢轨表面缺陷检测方法

针对钢轨表面图像具有的光照不均匀、可识别特征有限、对比度低、反射特性易变等特性，提出基于缺陷比例限制的背景差分钢轨表面缺陷检测方法。该方法主要包括轨面图像预处理、背景建模与差分、缺陷比例限制滤波、缺陷比例限制最大熵阈值分割和连通区域标记5个步骤。首先结合轨面图像列灰度均值和列灰度中值进行快速背景建模，将预处理后的图像与背景图像进行差分操作；其次利用轨面图像缺陷占比较低的特征对差分图进行缺陷比例上限的阈值截断，以增强差分图的对比度；随后利用此特征改进最大熵阈值分割，采用自适应加权因子对目标熵进行全局可变加权，并选择出一个合适的阈值使熵值最大化，使得在保留真实缺陷的同时减弱诸如阴影、锈迹等噪声的干扰；最后利用连通区域标记法对阈值分割后的二值图像中的缺陷区域进行统计，并把缺陷面积低于钢轨损伤标准的区域判定为噪声并进行去除，以实现钢轨表面缺陷检测。仿真实验结果表明，新方法可以对钢轨表面缺陷进行很好的检测，其检测结果的召回率、精确率和加权调和平均值分别达到94.19%、88.34%和92.96%，平均错误分类误差值为0.006 4，具有一定的实用价值。     

基于缺陷比例限制的背景差分钢轨表面缺陷检测方法

针对钢轨表面图像具有的光照不均匀、可识别特征有限、对比度低、反射特性易变等特性,提出基于缺陷比例限制的背景差分钢轨表面缺陷检测方法。该方法主要包括轨面图像预处理、背景建模与差分、缺陷比例限制滤波、缺陷比例限制最大熵阈值分割和连通区域标记5个步骤。首先结合轨面图像列灰度均值和列灰度中值进行快速背景建模,将预处理后的图像与背景图像进行差分操作;其次利用轨面图像缺陷占比较低的特征对差分图进行缺陷比例上限的阈值截断,以增强差分图的对比度;随后利用此特征改进最大熵阈值分割,采用自适应加权因子对目标熵进行全局可变加权,并选择出一个合适的阈值使熵值最大化,使得在保留真实缺陷的同时减弱诸如阴影、锈迹等噪声的干扰;最后利用连通区域标记法对阈值分割后的二值图像中的缺陷区域进行统计,并把缺陷面积低于钢轨损伤标准的区域判定为噪声并进行去除,以实现钢轨表面缺陷检测。仿真实验结果表明,新方法可以对钢轨表面缺陷进行很好的检测,其检测结果的召回率、精确率和加权调和平均值分别达到94.19%、88.34%和92.96%,平均错误分类误差值为0.006 4,具有一定的实用价值。     

基于机器视觉的钢轨表面缺陷三维检测方法

提出了一种二维视觉与三维视觉相结合的钢轨表面缺陷检测方法。该方法通过线阵相机采集二维图像,由激光扫描仪采集钢轨深度信息,最后将这两组数据传送回主机,用Halcon和VC编写上层图像处理软件,获得钢轨表面缺陷的大小、形状、位置及深度,实现了全面检测钢轨表面缺陷。实验表明,与二维图像识别,或者与单独使用三维扫描检测相比,本系统检测效果更好。     

基于语义分割的钢轨表面缺陷实时检测系统

钢轨表面缺陷检测是铁路日常检测的重要部分,根据现代铁路自动化检测技术对实时检测和适应性的要求,构建了一个完整的钢轨表面缺陷识别和分析系统.根据机器视觉的基本原理,设计了一种带有LED辅助光源和遮光箱的图像采集装置,并将采集到的图像进行人工标注,建立了一个较为庞大的具有语义分割标注的钢轨表面缺陷数据集;将高级语义分割技术应用于钢轨图像分析,利用一种级联自编码结构(CASAE)的语义分割网络,将缺陷图像转化为基于语义分割的像素级预测掩码,并通过紧凑型卷积神经网络(CNN)将分割结果进行分类,从而实现钢轨表面缺陷的识别与分类;构建了智能化的人机交互系统,并将系统通过仿真实验的方式进行测试.实验结果表明,系统的检测准确率达到90％以上,每幅图像的平均处理时间为245.61 ms,可以在一定程度上代替人工检测,实现对钢轨缺陷的数字化管理.     

基于语义分割的钢轨表面缺陷实时检测系统

钢轨表面缺陷检测是铁路日常检测的重要部分,根据现代铁路自动化检测技术对实时检测和适应性的要求,构建了一个完整的钢轨表面缺陷识别和分析系统.根据机器视觉的基本原理,设计了一种带有LED辅助光源和遮光箱的图像采集装置,并将采集到的图像进行人工标注,建立了一个较为庞大的具有语义分割标注的钢轨表面缺陷数据集;将高级语义分割技术应用于钢轨图像分析,利用一种级联自编码结构(CASAE)的语义分割网络,将缺陷图像转化为基于语义分割的像素级预测掩码,并通过紧凑型卷积神经网络(CNN)将分割结果进行分类,从而实现钢轨表面缺陷的识别与分类;构建了智能化的人机交互系统,并将系统通过仿真实验的方式进行测试.实验结果表明,系统的检测准确率达到90％以上,每幅图像的平均处理时间为245.61 ms,可以在一定程度上代替人工检测,实现对钢轨缺陷的数字化管理.     

钢轨表面缺陷检测的图像预处理改进算法

由于线阵相机拍摄的图像光照不均、对比度低,使得钢轨表面离散缺陷检测成为机器视觉检测的难点,为此提出局部非线性对比度增强法和改进最大熵阈值分割法对钢轨图像进行预处理.该算法将局部区域内相对较低的灰度级映射到更低的范围,相对较高的灰度级映射到更高的范围,实现对比度拉伸;通过分析图像的目标熵、背景熵、灰度概率分布曲线,使用图像目标熵最大、目标概率较小的改进最大熵阈值分割法对图像进行分割,得到包含噪声相对较少的图像.实验结果表明,文中提出的非线性对比度图像增强算法简单、快速、有效,而且增强效果与光照无关;与原始的最大熵、目标最大熵、OSTU阈值分割法相比,改进的最大熵分割阈值较小,分割后的图像包含的噪声少;改进的预处理算法对测试图像的漏检率和误检率分别是6.2%和7.3%.     

基于机器视觉的发动机表面缺陷检测技术

发动机表面的缺陷检测是保证其使用安全性的重要手段。本文应用机器视觉技术实现发动机内表面缺陷的自动检测,用内窥镜采集发动机装药内表面的图像,结合图像特点,通过多次实验对比,选择中值滤波方法对图像进行滤波、Canny算子检测图像边缘,应用像素灰度的相似性和不连续性将缺陷从图像背景中分割出来,在此基础上,选取面积和周长特征作为缺陷判断依据,并将以上功能进行整合,设计缺陷自动检测系统。实验结果表明该方法在发动机内表面缺陷检测方面有较好的效果。     

基于机器视觉钢板表面缺陷检测技术研究

钢板表面缺陷严重降低钢板的耐磨性、耐高温性、耐腐蚀性、抗疲劳强度等性能,因此,钢板表面缺陷的检测就显得尤为重要。本文基于机器视觉采用Matlab图像处理技术对钢板表面缺陷进行检测识别。在不同光照条件下采集钢板表面图像,分别进行图像处理,讨论分析不同光照条件和去噪方法对检测结果的影响。首先对缺陷图像进行预处理,然后将预处理后的图像二值化及形态学图像处理,使图像背景与对象图形分离,提取出表面缺陷特征,计算缺陷的面积和周长。通过对图像细化和骨架提取线性缺陷,计算出缺陷长度,并且通过对像素的标定,将像素单位转化为长度或面积单位。实验结果表明该方法具有很好的可靠性和重复性。     

基于双模态深度学习的钢轨表面缺陷检测方法

针对目前钢轨顶面擦伤检测系统缺少第三维关键深度信息,检测结果易受干扰误报率高的问题,提出了一种基于双模态结构光传感器的钢轨表面缺陷检测方法。通过构建轨道表面缺陷的多模态深度学习检测网络,可以检测双模态钢轨图像中的擦伤缺陷。提出的深度网络分别融合了双模态图像的多尺度特征,并进行多尺度钢轨顶面擦伤检测。实验结果表明,该方法在显著降低检测误报的同时能够保持较高的检出率。与当前缺陷检测中常见的深度学习检测模型对比,平均精度均值（mAP）有大幅提升,性能优于以往的检测算法,在钢轨顶面擦伤检测任务中的应用前景良好。     

基于贝叶斯CNN和注意力网络的钢轨表面缺陷检测系统

面向复杂多样的钢轨场景, 本文扩展了最先进的深度学习语义分割框架DeepLab v3+ 到一个新的轻量级、可伸缩性的贝叶斯版本DeeperLab, 实现表面缺陷的概率分割. 具体地, Dropout被融入改进的Xception网络, 使得从后验分布中生成蒙特卡罗样本; 其次, 提出多尺度多速率的空洞空间金字塔池化(Atrous spatial pyramid pooling, ASPP)模块, 提取任意分辨率下的密集特征图谱; 更简单有效的解码器细化目标的边界, 计算Softmax概率的均值和方差作为分割预测和不确定性. 为解决类别不平衡问题, 基于在线前景 − 背景挖掘思想, 提出损失注意力网络(Loss attention network, LAN)定位缺陷以计算惩罚系数, 从而补偿和抑制DeeperLab的前景与背景损失, 实现辅助监督训练. 实验结果表明本文算法具有91.46 %分割精度和0.18 s/帧的运行速度, 相比其他方法更加快速鲁棒.     

基于背景差分与最大熵的轨面缺陷分割

为了提高钢轨表面缺陷检测的效率和准确率,提出了一种基于背景差分与最大熵的轨面缺陷检测算法.首先建立钢轨图像背景模型并将原图像与背景图进行差分操作,以此来避免光照变化和反射不均的影响,更准确地突出缺陷区域;然后将改进的遗传算法与最大熵值法相结合来寻找最佳分割阈值并对差分图进行二值化,通过结合改进遗传算法加快了最大熵值法的运算速度;最后对二值图进行滤波操作,完成钢轨表面缺陷的分割.仿真结果表明该方法能够更加快速准确地分割出缺陷,精确率、召回率和正确率分别达88.6%、93.4%和90.6%.     

基于机器视觉的梨表面缺陷检测方法研究

针对梨表面缺陷的机器视觉检测问题,在对已有研究成果的分析和研究的基础上,论文采用形态学相加的方法实现梨图像的背景去除和表面缺陷提取;提出花萼、果梗与表面缺陷的区分方法;借助Matlab软件进行仿真算法的编程,通过作者设计开发的Graphical User Interface(GUI)界面,对三个品种的梨表面进行了缺陷检测仿真实验,成功提取了其中的表面缺陷信息,实验结果表明,作者提出的方法在多种梨的缺陷提取上通用性强、准确性高.     

基于深度学习的表面缺陷检测方法综述

近年来, 基于深度学习的表面缺陷检测技术广泛应用在各种工业场景中. 本文对近年来基于深度学习的表面缺陷检测方法进行了梳理, 根据数据标签的不同将其分为全监督学习模型方法、无监督学习模型方法和其他方法三大类, 并对各种典型方法进一步细分归类和对比分析, 总结了每种方法的优缺点和应用场景. 本文探讨了表面缺陷检测中三个关键问题, 介绍了工业表面缺陷常用数据集. 最后, 对表面缺陷检测的未来发展趋势进行了展望.     

基于图像识别技术的轨道交通缺陷检测研究

传统人工巡检轨道交通缺陷存在效率低、误差大等缺点,运用综合轨道检查车(CTIV)为检测平台,建立了一种车载式轨道交通图像识别智能巡检系统。利用CTIV采集连续轨道边界框图像建立数据集,在C++中使用应用程序开发框架(QT)设计了可视化数据标注的定制软件工具。通过全卷积网络(FCN)建立了多任务学习扩展网络架构,结合多个...     

基于机器视觉的定子表面缺陷检测系统研究

为了解决定子人工检测效率、精度低的问题,设计了一套基于机器视觉的定子外观缺陷检测系统,该系统由硬件系统和软件系统两部分组成。针对定子表面图像背景复杂、内部干扰多等问题,使用最小二乘法提取圆形ROI,并提出一种基于连通域特征组合的干扰抑制算法,通过分析连通域最小外接矩形的形状和位置特征来抑制干扰;然后提出一种基于轮廓拓扑结构分析的掩模生成算法,并利用图像差分法提取缺陷进行分析判断。试验结果表明,该检测系统的稳定性和实时性良好,基本满足工业检测要求,具有很好的实用价值。     

织物瑕疵检测方法研究进展

计算机视觉在纺织物瑕疵检测方面已经有了较为广泛的应用，织物瑕疵检测是纺织行业质量控制的必要步骤。为了能够及时了解织物瑕疵检测的最新研究进展，把握织物瑕疵检测方法的研究热点和方向，介绍了织物图案的放置规则以及织物瑕疵检测的相关指标，针对织物瑕疵检测方法较多的问题，将这些方法分为四类（基于结构、基于统计、基于频谱、基于学习）并归纳分析了这些织物瑕疵检测方法在应用中的特点，且对比了四类检测方法中各个方法的特性以及优点和缺点，目的是为了找到如何提高织物瑕疵检测效率的方法，实现实时在线检测，展望了织物瑕疵检测方法的未来研究方向。     

改进YOLOv3的金属表面缺陷检测研究

针对金属表面缺陷检测中目标尺寸小和特征不清晰导致漏检的问题,提出一种改进YOLOv3的金属缺陷检测算法.在YOLOv3网络结构的基础上,将第11层浅层特征与网络深层特征融合,生成一个新的尺度为104×104特征图层,提取更多小缺陷目标特征.加入DIoU边框回归损失,为边界框提供移动方向以及更准确的位置信息,加快模型收敛...     

基于机器视觉的轮胎表面缺陷检测系统的研究与应用

在传统的轮胎表面缺陷依靠人工检测,存在劳动强度高、受人的主观影响大以及效率低下的问题。针对这一现象,研究了一种基于机器视觉的轮胎表面缺陷3D检测系统。该系统依靠机器视觉系统获取检测轮胎的表面图像,然后创建3D模型、判定缺陷类型,最终实现实时自动预警,为轮胎生产商提供一种自动化检测方案。系统集成了先进的技术、软件和工具,配套的信息管控系统可以对轮胎型号和生产数据进行采集、存储、分析,以便在生产过程中实现更高效、更可靠的质量控制,具有较高的实际应用推广价值。     

铁轨表面缺陷的视觉检测与识别算法

提出一种铁轨表面缺陷的视觉检测与识别算法。设计铁轨表面缺陷视觉检测与识别系统的总体结构,基于水平投影法提取铁轨表面区域,采用逻辑操作组合检测结果,使用 BP 神经网络进行缺陷分类。实验结果表明,该算法能准确地检测与识别铁轨表面的疤痕和波纹擦伤这2种缺陷,分类正确率分别达到99%和95%。     

带钢表面质量在线检测系统研究与设计

为了提高现有带钢表面质量检测技术在缺陷检测精度与识别率上存在的问题,设计了基于机器视觉技术的带钢表面质量自动检测系统,从系统整体构成、视觉传感系统、软件开发及检测与分类算法等方面进行了深入地研究,实现了包括图像的采集、传输、缺陷的实时检测和定位,缺陷的分类以及缺陷的存储与报警等功能;实验结果表明,该系统可以对带钢表面常见的边裂、氧化、结疤等几十种不同类型的缺陷进行精确地检测;与现有的缺陷检测技术相比,该系统中设计的算法在检测精度和实时吞吐量上都具有很大优势.