基于深度学习的螺纹钢表面缺陷检测

螺纹钢是土建工程中必不可少的建筑材料, 在轧制过程中因受轧辊磨损、钢坯质量等因素影响, 导致表面缺陷, 如不能及时发现就会生产出大量废品, 严重影响企业经济效益. 本文提出一种基于深度学习的螺纹钢缺陷检测方法, 通过生产现场工业相机采集螺纹钢图像, 对表面缺陷进行分类标记, 建立样本数据集, 利用深度卷积对抗生成网络DCGAN对数据集增强. 采用Faster RCNN构建螺纹钢缺陷检测模型, 利用迁移学习方法实现小样本螺纹钢表面缺陷检测, 通过对损失函数、优化方法、学习率、滑动平均参数的设置来评估优化螺纹钢缺陷检测模型. 实验表明所设计的方法具有较好的稳定性和实用性, 能有效地解决人工检测过程中效率低、误检率高等问题.     

基于图像分析的螺纹钢尺寸测量方法

针对螺纹钢复杂形状尺寸的测量难题,提出了基于图像分析的螺纹钢尺寸测量算法.首先,利用CCD相机获取多个视角的螺纹钢图像.其次,对获取的螺纹钢图像进行灰度化、滤波去噪、图像分割等预处理.而后,实现普通边缘检测方法,并提出一种亚像素的边缘检测算法,用于提取高精度的螺纹钢轮廓.在此基础上提出了基于普通边缘检测、亚像素边缘检测精度以及基于图像投影法的三种螺纹钢尺寸的测量方法,能够基于图像分析技术测量出螺纹钢的内径、外径、横肋间距、横肋与轴线夹角等尺寸与参数.最后,基于棋盘格标定靶进行简易标定以完成单位换算,获得了实际物理尺寸.实验结果表明,本文提出的方法可以实现螺纹钢多个主要尺寸的视觉测量,效果较好,为实现基于机器视觉技术的螺纹钢尺寸在线检测系统打下良好基础.     

基于图像处理的带钢表面缺陷检测改进算法的研究

由于在带钢的生产过程中会出现多种表面缺陷,因此本文中研究了一种基于图像处理的带钢表面缺陷检测改进算法对表面缺陷进行有效检测。算法中对边缘检测、图像分块、连通域分析等过程进行了改进,并提出了一种针对带钢图像的图像二值化算法,相较于传统的缺陷检测算法,本文中的检测算法在保证处理速度的同时,可以使处理的图像细节更完整清晰,缺陷定位更准确,且总体的检测正确率在90%以上,为后续缺陷分类提供更加准确的数据支持,可有效解决带钢表面缺陷检测问题,对企业生产过程中的技术改善起到至关重要的作用。     

基于YOLO算法与深度学习的证件质量检测系统

针对证件生产过程中表面人工质检时存在的易疲劳、易漏检、检测效率低等难题,提出一种基于深度学习结合机器视觉的证件质量检测方法.首先采用摄像头采集证件表面图像,对证件照片图像进行仿射变换、滤波、特征提取等处理,然后根据个人信息生成打印标准图像,与证件表面图像进行图像配准、形态学相减和模版匹配操作,检测出证件表面的文字不正确、文字打印不完整、重影等缺陷,最后通过改进的YOLO目标检测网络检测出照片打印不完整、覆膜不完整、杂质、黑边等缺陷.     

基于反向P-M扩散的钢轨表面缺陷视觉检测

研制了一种基于反向P-M（Perona-Malik）扩散的钢轨表面缺陷视觉检测装置,该装置可 自动获取钢轨表面图像,并实现实时检测与定位钢轨表面缺陷. 钢轨图像具有光 照变化、反射不均、特征少等特点,为了在运动过程中 从复杂的钢轨表面图像提取缺陷,首先将图像进行反向P-M扩散,然后将扩散后的图像与原图像进 行差分,从而减小了上述因素的影响,最后将差分图像进行二值化操作,根据 缺陷边缘特性和面积进行滤波,分割出缺陷图像. 实验仿真和现场测试结果表明,该方法能很好地识别块状缺陷和线状缺陷,并且检测速度、精度、识别 率和误检率都能很好地满足要求.     

周期纹理背景中的表面缺陷检测技术

基于机器视觉原理的自动光学表面缺陷检测技术是当今工业生产中在线检测表面缺陷的一种新的技术方法,是精密制造与组装工业过程中保证零部件表面质量的重要检测手段.以液晶面板TFT阵列表面缺陷自动光学检测为例,介绍了表面缺陷自动光学检测的基本组成原理,阐述了周期纹理背景表面上的表面缺陷检测方法、缺陷信息处理的基本过程与实用算法.针对表面缺陷检测图像处理技术难题,详细论述了表面缺陷扫描图像中的周期纹理背景傅里叶变换频域滤波方法、缺陷分割双阈值统计控制法,并用实验结果给出了例证.     

产品表面图像中的缺陷自动检测方法研究

仔细设计产品表面缺陷检测的图像识别算法是基于图像处理的产品表面缺陷自动检测系统快速并正确地检测缺陷的关键。以E型磁环表面缺陷的自动检测为例,分析了产品表面图像的特征,用梯度直方图自适应阈值分割的方法对图像进行增强和分割;并提出了一种新的快速识别算法对分割后的目标图像进行检测,实验结果表明了该算法的有效性和实用性。     

小波统计法的表面缺陷检测方法

针对铜带表面缺陷的特点,基于小波统计方法设计了对铜带表面缺陷检测的系统.首先把铜带表面图像分为互不重叠的子图像,再把子图像分为多个小波处理单元,对每个小波处理单元进行db4紧支集正交小波一级分解,在此基础上进行HotellingT2统计检测缺陷.最后利用支持向量机进行缺陷分类.实验中将基于小波的统计方法和基于灰度的差影法进行比较,结果证明本文提出的方法识别率高,特别对于用一般算法识别率较低的"起皮"缺陷达到96.7%的识别率.     

基于Markov随机场模型的纹理图像的缺陷检测

在工业自动化研究中,部件的缺陷检测是非常重要的过程。文中提出了一种基于图像纹理分析的表面缺陷检测方法,图像表面纹理特征是利用Markov随机场模型来描述的,通过学习和聚类分析来检测出纹理图像中有缺陷的区域。试验结果表明,该方法可以有效地描述不同种物质表面的纹理特征,并能准确地检测和定位缺陷。     

基于Markov随机场模型的纹理图像的缺陷检测

在工业自动化研究中，部件的缺陷检测是非常重要的过程。文中提出了一种基于图像纹理分析的表面缺陷检测方法，图像表面纹理特征是利用Markov随机场模型来描述的，通过学习和聚类分析来检测出纹理图像中有缺陷的区域。试验结果表明，该方法可以有效地描述不同种物质表面的纹理特征，并能准确地检测和定位缺陷。     

基于深度学习的磁芯表面缺陷检测研究

在产品表面缺陷智能检测过程中,存在缺陷样本收集困难、样本不平衡、目标尺寸小和难以定位等问题。针对磁芯表面缺陷检测中存在的问题进行了研究,提出了一种基于深度学习的图像增强和检测方法,首先利用结合高斯混合模型的深度卷积生成对抗网络生成磁芯缺陷图像,然后结合泊松融合方法产生增强的数据集,最后基于YOLO-v3网络,实现了磁芯表面缺陷的智能检测。实验表明,该方法能够生成质量更高、缺陷更明显的图像,检测准确度提升了5.6%。     

Surface defect detection of voltage-dependent resistors using convolutional neural networks

Surface defect detection is an important way to improve the production quality of voltage-dependent resistors (VDRs). To improve the accuracy and efficiency of VDR surface quality detection, an end-to-end surface quality detection method based on deep convolutional neural networks (CNNs) was proposed. The method includes four stages: data preparation, convolution neural network design, CNN training, and testing. First, images of VDRs were acquired from three perspectives, i.e., the front, back, and side, and then training, validation and testing sets were obtained. Second, the proposed CNN models for VDR surface defect detection were constructed. Third, during the training stage, the images with class labels from the established training sets were input to the proposed network for training and validation. Finally, in the testing stage, test images from a total of 408 samples of two VDR models were used to test the trained network. The sensitivity, specificity, accuracy, precision and F measure of the proposed algorithm were compared with those of state-of-the-art methods, and the experimental results showed that the proposed method has a high recognition speed and accuracy and meets the requirements of online real-time detection.

     

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%.     

基于主成分分析的表面缺陷自动检测算法

为检测产品表面的缺陷,提出一种基于主成分分析的自动检测算法。利用主成分分析法进行图像重构,以增强缺陷特征,对比原图像与重构图像,得到缺陷信息,通过统计过程控制二值化方法检测出缺陷。实验结果表明,该算法检测效果较好,运算速度较快,对于80张不同的表面图片,平均缺陷检测率达80%。     

一种改进DCGANs网络的磁瓦缺陷图像生成方法研究

基于机器视觉的磁瓦表面缺陷检测研究对于改进磁瓦生产工艺、提升磁瓦生产效率有着重要意义.但在研究过程中,存在磁瓦含缺陷样本收集困难、不同缺陷样本数不均匀、缺陷类型单一等问题.本文提出一种使用高斯混合模型的深度卷积生成对抗网络(Gaussian Mixture Model Deep Convolution Generative Adversarial Networks,GMM-DCGANs)生成含缺陷磁瓦图像的方法.在深度卷积生成对抗网络的基础上,将生成图像的输入噪声潜在空间复杂化为高斯混合模型,从而提高图像生成网络对有限数量且具有类间及类内多样性训练样本的学习能力.实验结果表明,GMMDCGANs网络可以生成质量更好、缺陷类型更加丰富的磁瓦缺陷图像,并且生成的图像满足缺陷检测及分类的要求.     

基于视觉感知机制的织物疵点轮廓检测

针对传统人工织物疵点检测存在的误检及低效等问题,提出了一种基于视觉感知机制的自适应织物疵点轮廓检测方法.首先,模拟视觉系统中视网膜感受野对视觉信息的处理机制对织物疵点图像进行滤波及疵点增强;其次,依据初级视皮层(V1)区对视觉信息响应的方向选择性机制构建织物疵点图像边缘检测模型,实现对织物疵点图像的边缘检测.最后,采用自适应阈值选择的方法对检测到的边缘进行二次处理,获得织物图像疵点的轮廓.为验证本文方法的有效性和准确性,对4类织物疵点图像进行测试,并定性和定量两方面进行比较分析,结果表明文中提出的方法能够较好地检测出织物疵点轮廓信息,不仅可以得到质量较高的织物疵点轮廓图像,而且在整个检测过程中能够自适应的选择参数,避免受人的主观因素影响,具有实际的应用价值.     

基于卷积去噪自编码器的芯片表面弱缺陷检测方法

芯片表面缺陷会影响芯片的外观和性能,因此表面缺陷检测是芯片生产过程中的重要环节。具有缺陷与背景对比度低、缺陷较小等特点的弱缺陷给传统检测方法带来了挑战。因为近年来深度学习在机器视觉领域展现出了强大的能力,所以文中采用基于深度学习的方法来研究芯片表面弱缺陷的检测问题。该方法将芯片表面缺陷看作噪音,首先应用卷积去噪自编码器(Convolutional Denoising Auto-encoders,CDAE)重构无缺陷图像,然后用重构的无缺陷图像减去输入图像,获得包含缺陷信息的残差图。因为残差图中已经消除了背景的影响,所以最后可以基于残差图较容易地进行缺陷检测。由于基于CDAE重构芯片背景的无缺陷图像时存在随机噪音,导致弱缺陷可能会湮没在重构噪音中,为此,文中提出了重叠分块策略抑制重构噪音,以便更好地检测弱缺陷。因为CDAE是无监督学习网络,所以训练时无需进行大量的人工数据标注,这进一步增强了该方法的可应用性。通过对真实芯片表面数据进行测试,验证了所提方法在芯片表面检测上的有效性。     

基于自编码和知识蒸馏的表面缺陷检测方法

针对传统的表面缺陷检测方法只能对具有高对比度或低噪声的明显缺陷轮廓进行检测的问题,提出了一种基于自编码和知识蒸馏的表面缺陷检测方法来准确定位和分类从实际工业环境捕获的输入图像中出现的缺陷。首先,设计了一种级联自动编码器（CAE）架构用于分割和定位缺陷,其目的是将输入的原始图像转换为基于CAE的预测蒙版;其次,利用阈值模块对预测结果进行二值化以获得准确的缺陷轮廓;然后,把缺陷区域检测器提取并裁剪出来的缺陷区域视为下一个模块的输入;最后,将CAE分割结果的缺陷区域通过知识蒸馏进行类别分类。实验结果表明,与其他几种表面缺陷检测方法相比,所提出的方法综合性能最好,其缺陷检测平均准确率为97.00%。该方法能够有效地对较小的、边缘不清晰的缺陷进行分割,满足对物品表面缺陷实时分割检测的工程要求。     

基于相位偏折术和图像处理的表面缺陷检测

针对工业产品中类镜面透明物体表面缺陷检测的问题,研究了基于相位偏折术和图像处理结合的检测方法;采用格雷码和四步相移法解算反射条纹图的绝对相位,将绝对相位转换为梯度后可视化即可得到缺陷图;分析缺陷图中后表面干扰产生的原因,提出采用图像处理的方法消除后表面反射干扰;该方法能保留前表面缺陷,过滤后表面干扰;实验结果表明,文章所提方法能够实现对类镜面透明物体表面缺陷检测,效果较传统明场检测有较大提升.