基于无人机的220 kV输电线路缺陷自动检测方法

由于传统方法无法准确检测出输电线路缺陷,且计算过程也比较复杂,研究基于无人机的220 kV输电线路缺陷自动检测方法。利用拉东变换获取二维平面的函数,将彩色图像转变为灰度图像,通过边缘像素点提取图像线特征;分析图像线特征数量与角度,利用单片机掩膜识别输电线路及其附件;通过卷积层与池化层操作,建立深度卷积神经网络模型,实现输电线路缺陷自动检测;基于无人机图像分布的投射点并利用簇聚类分析法,获得输电线路特征参数分布点,从而获得区域内缺陷特征分布的最大值。测试结果表明：对输电线路缺陷自动检测方法优化后,当样本数量扩充到1 200张时,缺陷检测的准确率为97%,召回率为94.5%,且错误检测率只有2.5%,可见优化后的方法可以提高缺陷检测的准确率。     

基于卷积神经网络的X射线焊缝缺陷检测算法研究

为了提高焊缝无损缺陷检测的性能,对无损检测方法及基于人工智能的工业视觉检测方法进行了研究,提出了基于卷积神经网络的焊缝缺陷自动检测算法。首先,对焊缝缺陷数据集进行分析,总结出焊缝缺陷数据的分布特征。其次,根据焊缝缺陷尺度差别巨大、宽高比分布范围较大等特征,在特征提取的过程中引入了不同空洞率的空洞卷积,以扩大感受野、提升大尺度缺陷的检测性能。最后,基于空洞卷积和无锚框检测框架设计了缺陷自动检测算法DRepDet。该检测算法可检测的缺陷种类达到7种,而其他大部分算法只能检测到不超过5种缺陷。试验结果表明,扩大感受野可以有效提高大缺陷的检测性能,使用组合空洞率的DRepDet的AP₅₀提升了1.4%、Recall₅₀提升了2.9%,同时几乎不影响小缺陷的检测性能。     

深度非对称跳跃连接的图像降噪方法

图像降噪可有效地改善图像质量,提升感官效果,也是图像特征提取与理解的前提.针对目前比较流行的卷积神经网络降噪方法中顺序连接的卷积层-反卷积层会使图像在梯度反传过程中逐渐弱化图像噪声的学习问题,提出一种深度非对称跳跃连接的方法用于图像降噪.该方法设计多组非对称跳跃连接卷积-反卷积算子,以有效学习图像细节及噪声信息,并对不同深度的卷积操作进行权重量化,以加强图像降噪及恢复;通过非对称跳跃连接可使图像噪声信息能够直接反传到对应的多个卷积层中,对梯度扩散有良好的抑制作用.采用伯克利分割数据集BSD300进行实验的结果表明,文中算法比基准方法在结构相似性(SSIM)和峰值信噪比(PSNR)2种指标上都有提升.     

碳纤维复合芯导线X射线图像标准化增强与缺陷检测方法

碳纤维复合芯导线能够大幅度提高输电线路输送容量,但由于不耐弯折等原因导致多发断线,严重危害线路运行安全。为实现对长距离输电线路进行在线缺陷检测,本文提出了碳纤维复合芯导线缺陷自动检测方案。该方案首先对碳纤维复合芯导线的X射线图像进行图像成像标准化,进行了导线弯曲补偿和亮度一致化矫正,提高了数据的一致性,为导线自动化分析提供条件;然后利用深度卷积神经网络技术进行缺陷检测。以双层铝股线类型的碳纤维复合芯导线X射线图像作为研究对象进行实验,结果证明该方案可快速自动识别导线缺陷。     

分段式多层卷积神经网络渲染图像降噪模型

全局光照渲染技术在虚拟现实应用中日益普及,但其图像高分辨率采样带来的高时间成本严重影响用户感受.为解决上述问题,提出分段式卷积神经网络模型,对低分辨率采样渲染结果进行实时降噪并获得更高质量的渲染图像结果.该模型分为2段,针对已有降噪模型处理时序渲染结果序列时出现的不稳定性瓶颈,前段使用多层跳跃连接的循环卷积神经网络将渲染结果以序列为单位进行处理,保障降噪结果的时序稳定性;针对降噪模型在时序降噪中的效果瑕疵,后段串联多层渲染图像降噪卷积神经网络对处理结果进行优化;为加快模型训练速度并进一步提升降噪效果,使用低分辨率采样的场景反射率图、法线向量图、场景深度图、阴影图等渲染辅助图像信息作为辅助输入.所提模型综合了已有图像和视频降噪模型的优点,在5种自定义场景上的降噪实验结果表明,该模型具有良好的时序稳定性和降噪效果,镜面处噪点数量明显少于当前主流的OptiX降噪器;在降噪结果与目标图像的结构相似性(SSIM)指标上,与OptiX降噪器相比,该模型在5个场景中分别有5.8%, 12.2%, 1.5%, 4.7%和1.8%的提升.     

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%。     

基于小样本学习的LCD产品缺陷自动检测方法

针对高分辨率液晶显示器产品(liquid crystal display, LCD)质量在线检测需求,基于深度学习提出一种LCD缺陷自动检测方法。通过设计自适应浅层特征提取层,并引入稀疏卷积结构,多维度、多尺度的提取深层特征,采用迁移学习和深度卷积生成对抗生网络扩充数据强化训练,构建基于小样本学习的LCD表面缺陷检测模型。其特征在于,采用设计的自动分割与定位预处理软件将高分辨率图像划分成适于卷积神经网络学习的图像子块,并根据模型对图像子块的判定类别和定位坐标,同时获取多类型缺陷检测结果。实验结果表明,本文模型可以有效提高检出率,并减少漏检率。     

基于改进单点多盒检测器的大坝缺陷目标检测方法

为提升大坝安全运维的效率,大坝缺陷目标检测模型有助于辅助巡检人员进行缺陷检测。大坝缺陷几何形状多变,而采用传统卷积方式进行特征提取的单点多盒检测器（SSD）模型无法适应缺陷的几何变换。针对上述问题,提出可变形卷积单步多框检测器（DFSSD）模型。首先将原始SSD的主干网络VGG16中的标准卷积替换为可变形卷积,用于处理缺陷的几何变换,并且通过学习卷积偏移量来提升模型的空间信息建模能力;其次针对不同特征的尺寸,改进先验框比例,从而提高模型对条形特征的检测精度与模型的泛化能力;最后为解决训练集正负样本不均衡的问题,采用改进的非极大值抑制（NMS）算法来优化学习效果。实验结果表明：DFSSD模型较基准模型SSD在大坝缺陷图像上的平均检测精度提升了5.98%。相较于基于区域的更快卷积神经网络（Faster R-CNN）和SSD模型,DFSSD模型在大坝缺陷目标检测精度提升上有较好的效果。     

大管径给排水管道径向变形自动检测

针对检测精度、召回率以及查全率较低的问题，本文提出一种大管径给排水管道径向变形自动检测方法。采用Mills交叉布列技术扫描管道，运用小波变换对扫描得到的图像进行去噪。根据去噪结果对大管径给排水管道径向变形区域进行粗检测，并对粗检测节点的预测区域进行分割，同时采用带空洞卷积的空间金字塔池化增强图像的感知能力，以有效实现大管径给排水管道径向变形自动检测。实验结果表明，所提方法能够有效提升变形自动检测精度、召回率以及查全率，获取较为满意的自动检测结果。     

基于Faster R-CNN的输电线路缺陷识别模型研究

随着多旋翼无人机引入输电线路巡检作业后,对巡线人员通过图像判断线路上设备是否有缺陷提出了新的挑战。为了帮助巡线人员做出准确决策,提高发现缺陷的能力,基于深度卷积神经网络,搭建了适用于无人机图像识别的输电线路缺陷识别网络模型。首先详细描述了输电线路缺陷识别图像数据库的建立过程,然后通过分析对比三个预训练前端网络的性能及多个参数对网络模型识别准确率的影响,得到基于Faster R-CNN的输电线路缺陷最优识别网络模型。经过测试集验证,提出的缺陷识别网络模型的识别准确率达到了90%以上,单张图片耗时达到了毫秒级,在识别准确率和耗时上均明显优于其他识别网络模型,为实际巡线工作中的输电线路缺陷判别提供智能有效的决策依据,是机器学习在智能电网中应用的有益探索。     

基于改进Faster R-CNN的轮胎缺陷检测方法

轮胎生产过程中出现的胎侧异物、胎冠异物、气泡、胎冠开根以及胎侧开根等缺陷会影响轮胎出厂后的使用,所以出厂使用前需要对每条轮胎进行无损检测.为了实现在工业中对于轮胎缺陷进行自动检测,提出了一种基于改进Faster R-CNN的轮胎缺陷自动检测方法.首先,在预处理阶段,用直方图均衡化方法对轮胎图象的灰度进行拉伸,提高数据集...     

磁瓦表面缺陷机器视觉检测与识别方法

针对磁瓦生产过程中表面缺陷检测的重要性和人工检测的弊端,研究基于机器视 觉的磁瓦表面缺陷自动检测与识别方法。为解决磁瓦表面缺陷种类多、对比度低、图像中存在 磨痕纹理背景和整体亮度不均匀等难点,定义扫描线梯度,其标准差与扫描线灰度标准差构成 特征向量,提出基于两类支持向量机的图像分割方法来判别和提取缺陷;并提出一种改进的多 类支持向量机方法,对缺陷进行分类识别,解决了多类支持向量机存在不可分区域的问题,提 高了分类器的准确性和有效性。实验结果表明,该方法能准确快速地提检测磁瓦表面各区域的 各类缺陷,检出率可达到96%以上,识别率超过91%。     

基于轻量级卷积神经网络的实时缺陷检测方法研究

应用机器视觉实现磁片表面缺陷的自动检测可以提高生产效率、降低生产成本。深度卷积神经网络具有高精度的分类性能,尤其在图像识别方面有显著的优点。但是目前提出的深度神经网络模型,由于参数量和计算量的巨大,在工业生产流水线上不能满足实时检测的需求。针对这个问题,基于深度可分离卷积和通道混洗,提出了一种轻量级高效低延时的卷积神经网络架构MagnetNets。为了评估MagnetNets网络模型的性能,将MagnetNets网络模型与MobileNets、ShuffleNet、Xception、MobileNetV2在公开数据集ImageNet中做了对比实验。然后将MagnetNets网络模型应用在磁片缺陷检测系统中进行缺陷检测。实验结果表明,提出的网络架构显著地减少参数数量,具有良好的性能。同时在磁片缺陷检测系统中减少了延时,提高检测速度,缺陷检测识别率达到了97.3%。     

基于U-Net卷积神经网络的轮毂缺陷分割

为实现轮毂缺陷检测自动化,该文依据轮毂X射线图像,提出一种基于U-Net卷积神经网络的自动分割的改进方法。将原始U-Net模型的最大池化操作替换为卷积操作,并加入Dropout层对网络进行优化,提升模型可靠性。同时对带有缺陷的轮毂图像做数据预处理,用于训练改进的U-Net模型。结果表明,该网络在复杂轮毂X射线图像的缺陷识别中表现良好,DICE系数为0.8554,SSIM系数为0.9655,识别速度达到3 ms/张;该方法能较好地实现轮毂射线图像缺陷的自动分割,满足无损检测的自动化需要。     

可变形NTS-Net的螺栓属性多标签分类

目的 螺栓是确保输电线路安全牢靠的基石,螺栓缺销、松动和锈蚀等缺陷是造成输电线路损坏甚至重大事故的重要原因之一。本文针对螺栓缺陷存在视觉不可分的问题,提出了一种改进NTS-Net（navigator-teacher-scrutinizer network）的螺栓属性多标签分类方法。方法 为了增强模型对不规则轮廓的处理能力,采用可变形卷积的ResNet-50网络作为特征提取网络从原图中提取全局特征。利用NTS-Net学习得到图像信息量最大的判别性局部区域。为了考虑不同局部特征对不同属性标签的不同影响,在局部特征与全局特征融合时引入通道注意力机制,提取特征的通道权重,获取关键通道特征以改善多标签分类效果。结果 实验结果表明,本文在螺栓多属性分类数据集上的平均分类精确率为84.5%,比采用传统的多标签分类精确率提升了10%~20%。结论 本文通过可变形卷积提升网络的特征提取能力以及引入通道注意力机制实现了对NTS-Net提供的局部特征的高效利用,为解决螺栓多属性分类中存在的问题提供了一种新的思路。     

改进的VGG网络的二极管玻壳图像缺陷检测

针对于目前二极管玻壳缺陷检测中大多采用人工特征提取,识别准确率不高的问 题,提出一种改进的 VGG 网络的二极管玻壳图像缺陷检测方法。首先对玻壳图像进行预处理, 同时利用原始大样本数据集对卷积神经网络结构 VGG-19 模型进行预训练得到预训练模型,然 后通过迁移学习的方法将预训练模型中的部分卷积、池化等层权重参数迁移到改进网络模型的 固定层中,非固定层用于模型改进,并将网络的全连接层结构重新进行超参数设置和优化,最 后使用预处理后的玻壳图像数据集对改进模型进行训练,得到非固定卷积层和新的全连接层的 参数和权重。在二极管玻壳数据集进行测试,实验结果表明,该方法能有效提高二极管玻壳图 像分类识别准确率,达到了 98.3%。     

Automatic defect detection of texture surface with an efficient texture removal network

Automated defect inspection of texture surface is still a challenging task in the industrial automation field due to the tremendous changes in the appearance of various surface textures. We present a simple but powerful image transformation network to remove textures and highlight defects at full resolution. The simple full convolution network consists only of 3 × 3 regular convolution and several dilated convolution blocks, which makes it compact and able to capture multi-scale features effectively. To further improve the ability of the network to suppress texture and highlight defects, a polynomial loss function combining perceptual loss, structural similarity loss and image gradient loss is proposed. In addition, a semi-automatic annotation method mainly composed of wavelet transform and relative total variation is designed to generate a data set of image pairs containing the original texture image and the desired texture removal image. We conducted experiments on a milled metal surface defect dataset and an open data set containing various textured backgrounds to evaluate the performance of our method. Compared with other convolutional neural network approaches, the results demonstrate the superiority of the proposed method. The method has been applied to the surface defect online detection system of an aluminum ingot milling production line, which effectively improves the surface inspection efficiency and product quality.     

傅里叶重建图像法检测磁片表面刀纹缺陷

磁片在被切割为更小的片时表面上可能会出现缺陷,这些缺陷将严重影响磁性材料产品的性能和使用寿命,因此表面刀纹缺陷自动检测成为磁片生产中一个重要的任务。针对经典缺陷检测算法不能很好地提取颜色暗、对比度低的磁片图像的缺陷的问题,提出一种基于傅里叶变换重建图像的磁片表面图像处理方法。用傅里叶变换获取磁片图像的频谱图像,缺陷在频谱图像中被显示为一条亮线。用霍夫变换检测亮线的角度,去除这条亮线的频率分量,使用傅里叶反变换得到去除掉缺陷的正常灰度图像。缺陷区域则可以通过评估原始图像和重建图像之间的灰度差来获得。对大量的磁片图像进行实验后表明,该方法可以准确、高效地检测磁片表面的刀纹缺陷。     

基于YOLO框架的无锚框输电线多种缺陷检测

检测并及时修复输电线路的缺陷是电能安全输送的重要保障。针对现有检测方法存在效率低、对多尺度目标检测精度低、泛化能力差等不足,提出了一种基于无人机影像的无锚框输电线缺陷检测方法。该方法基于YOLO系列目标检测框架构建了一种无锚框的检测网络,设计了相匹配的正负样本分配方式,融入了多种优化策略,有效改善了现有方法的不足。实验结果表明,提出的方法能够同时对输电线的断股、散股、断线、烧伤和异物5种缺陷进行有效检测。相比于传统输电线缺陷识别方法和基于深度学习的缺陷检测方法SSD、Faster R-CNN、YOLOv4、YOLOv5,该方法的平均精度均值(mAP)达到78.31%,每秒传输帧数(FPS)为103.5 f/s,同时兼备检测的快速性和高精度,在5类输电线缺陷检测任务中均具有良好的性能。