基于机器视觉的汽车精密零件表面缺陷自动检测方法

汽车精密零件表面缺陷会导致零件故障,为了提高缺陷检测能力,提出基于机器视觉的汽车精密零件表面缺陷自动检测方法。构建汽车精密零件表面缺陷的机器视觉图像采集模型,采用单背景约束下的表面光泽点提取的方法,分析汽车精密零件表面的结构纹理特征值,在视觉传感下通过对汽车精密零件的形变、相变参数分析,分析汽车精密零件的机械性能和服役性能,在切削载荷作用下,通过疲劳裂纹的视觉特征重构,在机器视觉下采用表面残余应力及变质层的动态特征分析,通过缺陷特征检测和有限元仿真分析,实现对汽车精密零件表面缺陷自动检测。测试结果表明,采用该方法进行汽车精密零件表面缺陷检测的纹理匹配度较高,检测性能较好,对零件表面的断屑、化学磨损等各类缺陷检测的可靠性较高。     

基于机器视觉的电子产品外观表面缺陷检测方法研究

目前电子产品外观表面缺陷人工检测工作量大,效率低而且漏检率高,迫切需求产品缺陷的自动化检测;实际检测中,塑料制品表面在光照条件下会出现反光,严重影响后续处理;缺陷微小且与制品颜色对比不明显,采用直接阈值无法分割;针对这一现状将机器视觉技术与虚拟仪器相结合,根据产品缺陷特征,选择合适的光照方案抑制反光,利用锐化滤波获取了缺陷部位特征清晰的图像,并对边缘模糊缺陷有效分割;识别结果表明,图像处理算法稳定,对绝大部分缺陷具有良好的检测效果。     

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.     

基于神经网络的零件缺陷机器视觉识别系统

零件缺陷检测是保证零件使用安全的重要手段。传统的零件缺陷检测法需要有操作人员参与其中,易受主观因素影响,检测的效率及精度得不到良好的保证。而采用机器视觉技术的检测法可实现实时在线的自动检测,无需人工参与,这就极大的提高了生产效率。本文以小轴承表面为研究对象,针对微小轴承的表面结构、尺寸、检测精度和缺陷特征,设计了基于BP神经网络的零件缺陷机器视觉在线自动检测系统,其采用机器视觉技术,构建了BP神经网络检测识别模型,采用进行图像特征提取的间接识别方法,对微小轴承缺陷进行实时检测。实验结果证明了人工神经网络模型的检测能力的可靠性。     

钢板表面低对比度微小缺陷图像增强和分割

目的 环境干扰及光学元件不稳定等因素往往会造成钢板表面图像照度不均,钢板表面的微小缺陷具有图像灰度不均、对比度低、形态微小等特点,给后续图像分析和缺陷识别带来因难。为此,提出一种钢板表面低对比度微小缺陷图像增强和分割算法,以消除照度不均并突出缺陷信息,从而有效分割缺陷目标。方法 采用小波-同态滤波算法进行图像增强处理,即先利用小波变换对图像进行分解,再基于同态滤波对小波低频系数进行图像灰度修正,同时对高频系数进行高通滤波,然后将处理后的小波低频系数和高频系数进行重构得到增强的图像,从而达到消除照度不均、增强缺陷细节信息的目的。最后利用最大类间方差法（Otsu法）确定自适应阈值提供给Canny算子进行边缘检测。结果 采用本文算法对钢板表面多类型低对比度表面微小缺陷进行研究,有效消除了光照不均;单一的Otsu阈值分割和Canny算子难以有效检测这些缺陷,而本文Otsu-Canny算法的正确检测率达96%。结论 采用小波-同态滤波进行图像增强处理后,再利用Otsu-Canny算法对钢板表面多类型、低对比度的微小缺陷进行边缘检测取得了良好效果。     

取样积分器用于检测表面及亚表面的微小缺陷

本文论证了用取样积分器检测微小表面及亚表面缺陷的可能性。文中给出了取样积分器的工作原理,以及检测的原理、方法、结果和讨论。     

视觉注意力网络在工件表面缺陷检测中的应用

工件表面缺陷检测是现代化工业生产中不可缺少的环节,利用卷积神经网络实现工件表面缺陷检测能有效地提升检测效果.当工件表面出现微小缺陷时,缺陷部分的特征容易被其他区域的特征所掩盖,影响检测的准确率.针对这一问题,提出了每级由3个卷积模块和一个视觉注意力模块构成的3级视觉注意力网络.通过注意力模块生成软注意力模板,为卷积模块构成的主干网络的特征图加权,增强缺陷区域特征并抑制背景区域特征,提升缺陷检测的准确率.实验采用具有明显缺陷和微小缺陷的5类工件图像进行对比测试,结果表明,软注意力模板在容易出现缺陷的区域具有更高的权值;加入视觉注意力模块能将缺陷检测的准确率从90.9%提升至98.1%.     

基于深度学习的型钢表面多形态微小缺陷检测算法

为了解决由于型钢表面缺陷形态多样、微小缺陷众多所带来的检测效率低与检测精度差的问题,提出一种基于可变形卷积与多尺度-密集特征金字塔的型钢表面缺陷检测算法——Steel-YOLOv3。首先,使用可变形卷积代替Darknet53网络部分残差单元的卷积层,从而强化特征提取网络对型钢表面多类型缺陷的特征学习能力;其次,设计了多尺度-密集特征金字塔模块：在原有YOLOv3算法的3层预测尺度上增加1层更浅层的预测尺度,再对多尺度特征图进行跨层密集连接,从而增强对密集微小缺陷的表征能力;最后,针对型钢缺陷尺寸分布特点,使用K-means维度聚类方法优化先验框尺寸并将先验框平均分配到4个对应预测尺度上。实验结果表明：Steel-YOLOv3算法具有89.24%的检测平均精度均值（mAP）,与Faster R-CNN（Faster Region-based Convolutional Neural Network）、SSD（Single Shot MultiBox Detector）、YOLOv3和YOLOv5算法相比分别提高了3.51%、26.46%、12.63%和5.71%,且所提算法显著提升了微小剥落缺陷的检出率。另外,所提算法的每秒检测图像数量达到25.62张,满足实时检测的要求,可实际应用于型钢表面缺陷的在线检测。     

超精密加工中表面污染的形态及机理

本文以超精密加工的典型产品－硬磁盘基片为例，介绍了在超精加工中影响表面质量的主要缺陷之一──—表面污染的形态及其形成机理，并提出了解决这一问题的途径。     

基于YOLOv5的工具表面缺陷检测系统

在工业生产过程中，产品质量极易受到现有生产技术等客观条件的影响，因此需要对产品进行质量检验，其中，表面缺陷是产品质量合格的重要指标之一。现如今在表面缺陷检测方面的常见技术有渗透探伤、超声波检测、机器视觉等。利用基于深度学习的YOLOv5算法通过机器视觉识别工具表面不同缺陷种类，为工具产品的质量检验提供便利。     

图尔克:紧凑型温度传感器

图尔克推出新的温度传感器产品系列,将温度检测元件融入到M12X1接插件中。微型的TTM系列温度传感器采用PT1000作为微小空间内的精密温度检测元件。它的外形体积仅比标准的     

钢板表面缺陷检测系统的设计与实现

钢板作为钢铁工业的主要产品形式之一,已成为汽车、机械制造、化工、航空、航天和造船等工业不可缺少的原材料,其表面质量的优劣将直接影响最终产品的性能和质量。针对目前国内钢板表面缺陷检测方法比较落后、检测效果较差的情况,提出了钢板表面缺陷检测系统的设计与实现方案,包括硬件和软件的组成和部署;采用了串、并口编程和图像模式匹配等技术,实现了钢板表面的自动拍照、缺陷检测及生产和缺陷信息的保存;依据图片的几何学特征和光学特征等,实现了缺陷检测算法,包括缺陷识别和缺陷分类。在此基础上开发的钢板表面缺陷检测系统已经成功地应用到了现实的钢板生产中。     

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。     

基于异常检测的产品表面缺陷检测与分割

工业制造中缺陷样本难以获得且缺陷表现形式多样,只用训练正样本的异常检测技术越来越多地被应用于产品表面缺陷检测。异常检测一般通过评估产品图像的异常分数对产品进行有无缺陷的判断,缺乏对缺陷位置的描述,最新提出的异常分割方法对此进行了改进,但对缺陷区域的分割不够精确。基于异常检测方法,使用标准化流来判断产品表面是否有缺陷,采用多尺度特征融合并对齐来初步定位缺陷位置,结合梯度和最大信息熵,使用分水岭算法对初定位结果进行优化得到缺陷分割掩码。在丽盛制板,KolektorSDD 和 AITEX3 个表面缺陷数据集的检测与分割结果均优于其他同类方法。此外,在小样本数据集上也能达到良好的检测与分割精度。     

钛合金深层裂纹缺陷涡流检测仿真与实验研究

针对常规涡流只能检测金属构件近表面缺陷的瓶颈,本文基于TMR隧道磁阻阵列设计了多通道差分激励涡流检测探头,实现了对钛合金板件深层裂纹缺陷的检测.通过模拟优化了线圈参数,设计了差分式矩形激励线圈组合结构,从而提高TMR阵列对缺陷的检测效果,并制作了TMR阵列的差分涡流检测探头.分别针对钛合金板件表面3 mm和4 mm下的深层裂纹缺陷进行实验测试,表面3 mm下的长度为12 mm、6 mm、3 mm微裂纹检测得的感应磁场强度分别为0.01992 mT、0.0152 mT、0.00528 mT;表面4 mm下的6 mm长微裂纹的感应磁场强度大约为0.00448 mT.结果表明,所设计的TMR阵列涡流探头对缺陷长度变化相较于宽度变化更为敏感,能有效检测出深层微小裂纹缺陷.     

轴尖表面缺陷检测及尺寸测量系统研究

针对陀螺轴尖加工生产中对表面缺陷进行在线检测和关键几何尺寸进行高精度在线测量问题,设计并实现了基于显微机器视觉技术和快速图像处理技术的在线非接触检测测量系统,检测时,待检轴尖安装在精密位移台上,采用专用光源系统照明,通过显微成像系统成像;图像经采集,预处理、分割、特征提取,参数测量、结果统计等处理步骤,得到轴尖表面缺陷数量及几何尺寸.实测结果表明系统具有高效率、精度高、易于使用等特点,可有效解决轴尖表面缺陷检测及尺寸在线测量问题.     

机器视觉表面缺陷检测综述

目的 工业产品的表面缺陷对产品的美观度、舒适度和使用性能等带来不良影响,所以生产企业对产品的表面缺陷进行检测以便及时发现并加以控制。机器视觉的检测方法可以很大程度上克服人工检测方法的抽检率低、准确性不高、实时性差、效率低、劳动强度大等弊端,在现代工业中得到越来越广泛的研究和应用。方法 以机器视觉表面缺陷检测为研究对象,在广泛调研相关文献和发展成果的基础上,对基于机器视觉在表面缺陷检测领域的应用进行了综述。分析了典型机器视觉表面缺陷检测系统的工作原理和基本结构,阐述了表面缺陷视觉检测的研究现状、现有视觉软件和硬件平台,综述了机器视觉检测所涉及到的图像预处理算法、图像分割算法、图像特征提取及其选择算法、图像识别等相关理论和算法研究,并对每种主要方法的基本思想、特点和存在的局限性进行了总结,对未来可能的发展方向进行展望。结果 机器视觉表面缺陷检测系统中,图像处理和分析算法是重要内容,算法各有优缺点和其适应范围。如何提高算法的准确性、实时性和鲁棒性,一直是研究者们努力的方向。结论 机器视觉是对人类视觉的模拟,机器视觉表面检测涉及众多学科和理论,如何使检测进一步向自动化和智能化方向发展,还需要更深入的研究。     

基于先验分布活动轮廓模型的纹理缺陷检测

在工业产品的表面缺陷检测中,计算机视觉逐渐取代人工视觉,这是工业自动化的重要标志之一.而产品的表面纹理对缺陷检测的干扰一直是个难点.从图像分割的角度出发,以缺陷为目标,将纹理表面作为背景提取产品的表面缺陷.基于非参数统计活动轮廓模型提出一种先验分布模型,即以纹理的灰度分布作为背景的先验信息,使得算法更容易区分纹理背景和缺陷.实验结果表明,所提出的算法适用于不同纹理背景的缺陷检测,能准确地提取缺陷位置.     

改进注意力机制的型钢表面微小缺陷检测方法

针对型钢表面缺陷种类多样、微小缺陷占比较大导致的检测效率低、检测精度差的问题,提出了一种基于双重多尺度注意力机制的表面缺陷检测方法DMSA-YOLOv3,实现型钢表面多尺度缺陷快速精确检测。构建了基于通道和空间的双重多尺度注意力模型DMSA,对不同尺度特征进行筛选融合,强化小尺度缺陷的特征权重;改进了YOLOv3模型,使用深度可分离卷积对DarkNet53特征提取主干网络实现轻量化处理,提高检测速度,并构建多尺度长距离上下文特征提取层,使用4种不同扩张率的并行空洞卷积替代全局池化,提高模型对小尺寸缺陷的特征提取能力;构建了融合DMSA模型和改进YOLOv3模型的DMSA-YOLOv3缺陷检测模型,并应用于型钢表面多尺度缺陷检测。实验结果表明：DMSA-YOLOv3模型具有97.6%的多类别平均检测精度和55.3?frame/s的检测速度,与YOLOv3模型相比分别提升了4.7个百分点和24.5?frame/s;最小可检出20×20像素（约10×10?mm2）缺陷,与YOLOv3模型相比提高了6.25倍,有效提升了型钢表面缺陷的检测精度与检测速度。     

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%。