基于决策树的焊缝缺陷类型识别研究

自动对射线底片图像进行分析和缺陷类型识别是无损探伤研究领域的一个热点。在对焊缝射线底片进行图像去噪和图像增强的基础上,对焊缝底片图像进行二值化处理,进而提取焊缝缺陷图像及其特征,再采用决策树方法建立焊缝缺陷特征的分类规则,并用这些规则对二值化后的焊缝缺陷图像进行分类识别。实验结果表明,基于决策树方法对焊缝缺陷图像识别的准确率高,而且所表达的知识易于理解。     

基于模糊增强算法的不规则缺陷边缘提取研究

在工业焊缝不规则气孔缺陷的无损检测过程中,由于利用×射线拍摄的数字图像对比度低、噪声大、图像灰度变化复杂,缺陷边缘信息难以提取.针对上述问题,本文首先利用自适应中值滤波消除利用×射线拍摄的数字图像无缺陷的焊缝区域和背景区域,然后利用优化的模糊增强算法对图像边缘进行增强处理,最后分离提取出缺陷区域.通过实验对比,本文采用的方法检测精度高,处理速度快,具有较好的工程应用价值.     

基于形态学的PCB缺陷快速检测技术

提出了一种基于数学形态学的PCB自动缺陷检测算法。 在对测试图像进行距离变换时,将参考图腐蚀后的边缘作为感兴趣区域使用,边缘上的每个点都具有线路边界的相应距离信息。对边缘上的距离图像进行直方图分析后得出合格线路的距离信息,以该距离为参照,可以快速地检测出各种缺陷。结合轮廓特征的对比,其能够进行准确的缺陷类型识别。实验证明,所提算法能够快速检测出PCB图像中的各种缺陷,并能进行准确的自动分类识别。     

基于机器视觉方法的焊缝缺陷检测及分类算法

对于在工业生产中如何有效地识别薄壁金属罐焊缝的缺陷及其类型判别的问题,提出了一种基于机器视觉技术的自动化焊缝缺陷检测及分类算法。利用混合高斯模型,提出了一种改进的背景差分法,主要用来提取焊缝缺陷的特征区域。在此基础上,以不同缺陷类型的缺陷面积、亮度及波形特征等差别作为依据,对焊缝缺陷进行了分类。实验检测结果表明,算法可以对主流的薄壁金属制罐焊缝缺陷类型进行准确的识别和归类,达到了96%以上的精确度。同时,算法的运算时间也能够满足在实际生产中的高实时性需求。     

实时射线检测焊缝缺陷的模糊神经网络识别方法

通过对射线检测焊缝缺陷特征的分析，提出了用于焊缝缺陷识别的模糊神经网络模型，介绍了隶属度的构造和BP网络学习算法。实验表明，该方法对于焊缝缺陷的识别是有效的。     

焊缝缺陷图像分类识别的深度置信网络研究

由于工业生产中所获取的焊缝缺陷图像背景较为复杂,对其分类识别效率较低,因此提出了一个由三层受限玻尔兹曼机叠加组成的深度置信网络模型.该网络模型在对焊缝原始图像进行更为全面的信息抽取前提下,能够借助深度置信网络自下而上对输入信息进行学习与训练的特点,逐渐减少对焊缝缺陷信息的误判;借助网络最后一层后向传播算法的作用,可以在确保更高正确率的同时缩短收敛时间,有效提升识别效率;通过与传统的支持向量机和人工神经网络进行对比实验,结果表明深度置信网络能更为有效地避免过拟合的发生,对于焊缝缺陷的特征识别具有更为理想的精度.     

基于焊缝图象有效信息获取的研究

针对X射线检测焊缝缺陷的特点,设计X射线实时检测系统。提出在对焊缝图象自适应的二值化处理的基础上,用Sobel算子锐化图象边缘的焊缝区域提取的新方法。与其它传统焊缝区域提取方法相比,改善了图象细节模糊现象,是判别焊缝图象中缺陷类别的图象预处理的有效方法。     

基于非抽样Contourlet变换的图像模糊取证

数字图像被动盲取证技术是对图像的完整性和真实性进行鉴别.图像遭受篡改操作后,为了消除图像伪造在拼接边缘产生畸变,伪造者通常会采用后处理消除伪造痕迹,其中,模糊操作是最常用的手法之一.因此提出了一种针对人工模糊的取证方法.首先,利用非抽样Contourlet变换分析图像边缘点特征进行边缘点分类;然后通过统计正常边缘点与模糊边缘点之间的差异鉴别模糊边缘;最后引入局部清晰度来区分人工模糊与离焦模糊,从而最终标定人工篡改边缘痕迹.实验表明该方法能够有效地检测出图像人工模糊篡改操作,较为准确地定位图像篡改边界.伪造图像边缘模糊越严重方法的检测效果越好.与其他模糊检测方法相比所提方法具有像素级别定位能力.     

焊缝缺陷识别系统实现

文章提出了一种对金属构件焊缝缺陷识别和分类的方法，该方法在实现图像预处理时利用中值滤波有效地消除了图像随机噪声，并用边缘检测法进行图像分割，在此基础上进行特征提取，达到了比较好的识别效果。     

基于边缘轮廓的管道裂纹缺陷检测算法研究

为了提高管道内部缺陷检测的效率,论文提出一种基于边缘轮廓的管道缺陷检测算法。利用管道机器人搭载视觉传感器获取图像,先对图像进行预处理,用最大类间方差法进行图像分割,并对形态学运算后的二值图像提取其边缘,然后基于边缘轮廓对缺陷进行特征提取,计算缺陷的周长,长轴和短轴等特征参数,并提出长短轴的改进算法,最后完成识别。实验结果表明论文所用算法速度较快且正确率高,能够满足管道缺陷检测的要求。     

基于数字图像处理的油菜种子形状特征参数提取及模糊聚类分析

基于数字图像处理与分析技术,利用采集的油菜种子图像提取7个种子形状特征参数,选用圆形度和短长轴比作为油菜种子分类参数,应用模糊C-均值聚类分析方法把全体样本分为3类并得到油菜种子形状量化参数,在此基础上对样本油菜种子形状进行量的规定．进一步讨论基于种子形状的油菜种子分级,为油菜种子分类与鉴定提供可靠依据．     

基于图像距离差的织物疵点检测算法

本文将机器视觉与数字图像处理技术引入到织物疵点检测中,提出了一种织物疵点检测算法——图像距离差算法。该算法可使用户根据织物的类型,自行设置相应的疵点检测控制参数,能够检测出三十多种常见的疵点。实验证明该算法具有识别正确率高,识别速度快等优点。     

大数据环境下超声波焊缝缺陷识别方法的研究

为了解决常规超声波焊缝缺陷识别方法分类模型固定和训练集规模有限而难以体现不同缺陷的差异性和同类缺陷的多态性的问题,结合当今大数据环境下的数据分析策略和基因缺陷识别中匹配的思想,通过主成分分析和CURE聚类算法将缺陷回波信号编码转换成可进行匹配的对象,进而将当前检测缺陷特征与历史检测数据进行匹配,并利用最近邻方法实现了对缺陷历史检测数据集的扩充。通过在R上应用基于基本空位罚分的Smith-Waterman比对算法进行仿真实验验证了该缺陷识别方法是可行的,有效地识别了气孔、夹渣、裂纹、未焊透和未熔合五类常见缺陷,具有较好的识别准确率。     

深度卷积神经网络的X射线焊缝缺陷研究

针对X射线焊缝的缺陷识别难度较高且难以分类这一问题,在典型CUDA-CONVNET卷积神经网络(CNN)的基础上,改进并设计了一种深度CNN结构.以图像预处理作为基础,在保证最大限度提取原始图像的焊缝特征的前提下,对CNN的层次架构及参数设定开展了研究;通过与支持向量机(SVM)识别算法对比,进一步评估提出的深度学习方式,研究结果表明:改进后的深度CNN结构及其算法对于大样本的图像特征表达与识别能力有一定的优势,运算样本与错误率成反比,网络结构具有较高的图像分类识别正确率.     

环口焊X射线焊缝图像质量评定模型

X射线焊缝图像质量自动评定是焊缝图像缺陷自动评定的重要基础。为实现X射线焊缝图像质量自动评定，提出了一种数字化黑度计模型。首先，为使该模型通过数字计算即可获得物理黑度值，数字黑度计模型同时融合了物理光照模型和焊缝黑度模型；然后，通过对样本图像的物理黑度值及对应灰度值的相关性分析，给出了数字化黑度计模型的参数求取方法；最后，提出了一种X射线焊缝底片黑度自动评定算法。在实际X射线焊缝图像上的实验结果表明，在完全无人工干预的情况下，所提算法的准确率可达99%。交叉验证实验表明，所提方法敏感度可达98.5%，特异度可达100%。基于光照模型和黑度模型的数字化黑度计模型及求解算法可以取代目前常用的物理黑度计，实现焊缝图像质量评定的自动化。     

环口焊X射线焊缝图像质量评定模型

X射线焊缝图像质量自动评定是焊缝图像缺陷自动评定的重要基础。为实现X射线焊缝图像质量自动评定，提出了一种数字化黑度计模型。首先，为使该模型通过数字计算即可获得物理黑度值，数字黑度计模型同时融合了物理光照模型和焊缝黑度模型；然后，通过对样本图像的物理黑度值及对应灰度值的相关性分析，给出了数字化黑度计模型的参数求取方法；最后，提出了一种X射线焊缝底片黑度自动评定算法。在实际X射线焊缝图像上的实验结果表明，在完全无人工干预的情况下，所提算法的准确率可达99%。交叉验证实验表明，所提方法敏感度可达98.5%，特异度可达100%。基于光照模型和黑度模型的数字化黑度计模型及求解算法可以取代目前常用的物理黑度计，实现焊缝图像质量评定的自动化。     

基于邻域关系模糊粗糙集的分类新方法

针对目前模糊等价关系所诱导的模糊粗糙集模型不能准确地反映模糊概念范畴中数值属性描述的决策问题,提出一种基于邻域关系的模糊粗糙集模型NR-FRS,给出了该粗糙集模型的相关定义,在讨论模型性质的基础上进行模糊化邻域近似空间上的推理,并分析特征子空间下的属性依赖性;最后在NR-FRS的基础上提出特征选择算法,构建使得模糊正域增益优于具体阈值的特征子集,进而剔除冗余特征,保留分类能力强的属性.采用UCI标准数据集进行分类实验,使用径向基核函数(RBF)支持向量机作为分类器.实验结果表明,同基于邻域粗糙集的快速前向特征选择方法以及核主成分分析方法(KPCA)相比,NR-FRS模型特征选择算法所得特征子集中特征数量依据参数变化更加平缓、稳定.同时平均分类准确率提升最好可以达到5.2%,且随特征选择参数呈现更加平稳的变化.     

基于卷积神经网络的焊缝表面缺陷检测方法

针对工业激光焊接中,采用传统方法进行焊缝质量检测效率低下的问题,提出了一种基于卷积神经网络的工业钢板表面焊缝缺陷检测方法;首先基于卷积神经网络,搭建了一个多分类模型框架,并分析了各层中所用到的函数及相关参数;然后基于工业数控机床和工业相机进行了焊缝数据采集,并对这些数据进行了分类、增强、扩增等前期预处理;最后基于数控机器轴,采用滑动窗口检测的形式采集实际待测图像,并通过实验对比了传统的机器学习算法在该类图像数据中的性能评估;经实验证实,通过卷积神经网络训练得到的多分类模型,焊缝缺陷检测精度能达到97%以上,且每张待测图像的测试时间均在300 ms左右,远超机器学习算法,在准确性和实时性上均能达到实际工业要求。     

基于改进BP神经网络的非均衡数据分类算法

传统的分类算法大都默认所有类别的分类代价一致,导致样本数据非均衡时产生分类性能急剧下降的问题.对于非均衡数据分类问题,结合神经网络与降噪自编码器,提出一种改进的神经网络实现非均衡数据分类算法,在神经网络模型输入层与隐层之间加入一层特征受损层,致使部分冗余特征值丢失,降低数据集的不平衡度,训练模型得到最优参数后进行特征分类得到结果.选取UCI标准数据集的3组非均衡数据集进行实验,结果表明采用该算法对小数据集的分类精度有明显改善,但是数据集较大时,分类效果低于某些分类器.该算法的整体分类效果要优于其他分类器.