基于迁移学习与深度森林的晶圆图缺陷识别

为了有效识别晶圆图缺陷模式并及时诊断制造过程的故障源,提出基于迁移学习和深度森林集成的DenseNet-GCForest晶圆图缺陷模式识别模型. 为了解决深度学习模型训练困难和晶圆图缺陷类型数目不平衡的问题,利用迁移学习将深度卷积神经网络DenseNet在ImageNet上预训练的网络权重参数迁移至本模型并重新设计分类层,以减少深度网络模型的训练时间并提高模型的特征提取能力;基于DenseNet网络提取的高维抽象晶圆图特征,引入深度森林模型进行晶圆图特征缺陷模式识别. 工业案例的实验验证结果表明,该方法的识别准确率达到了96.8%,并提高了识别效率,其性能优于典型的卷积神经网络以及其他常用识别方法.     

基于改进YOLOv5的推力球轴承表面缺陷检测算法

为了提高推力球轴承表面缺陷检测的精确率和召回率,增强模型抗干扰能力,提出自动提取检测区域预处理和改进Transformer中的多头自注意力机制模块.在特征网络引入所提模块,忽略无关噪声信息而关注重点信息,提升中小表面缺陷的提取能力.使用实例归一化代替批量归一化,提高模型训练时的收敛速度和检测精度.结果表明,在推力球轴承表面缺陷检测数据集中,改进YOLOv5模型的准确率达到87.0%,召回率达到83.0%,平均精度达到86.1%,平均每张图片检测时间为14.96 ms.相比于YOLOv5s模型,改进模型的准确率提升1.5%,召回率提升7.3%,平均精度提升7.9%.与原模型相比,改进YOLOv5模型有更好的缺陷定位能力和较高的准确度,能够减小检测过程中的异物对检测结果造成的干扰,检测速度满足工业大批量检测的要求.     

基于改进MobileNetV3的PCB裸板缺陷检测

为解决传统PCB裸板缺陷检测效率低、误检率高、通用性差等问题,提出一种基于改进MobileNetV3的PCB表面缺陷检测模型。首先对PCB数据集进行预处理,然后采用多方向协调注意力代替原网络中的挤压和激励注意力模块,提升特征定位精度从而增强感受野;最后利用软池化优化MobileNetV3的末端结构,以在简化后的激活映射中保留更多的特征信息。实验结果证明,提出的模型对PCB裸板缺陷检测的平均准确率可达96.1%,图片平均检测速度为25.1 ms,能够高效识别PCB裸板的多种缺陷类型,对工业生产中PCB裸板的质量检测有实际应用价值。     

基于改进YOLOv5的电子元件表面缺陷检测算法

目标检测模型在电子元件生产环境中的实时检测能力不佳，为此采用GhostNet替换YOLOv5的主干网络.针对电子元件表面缺陷存在小目标及尺度变化较大的目标的情况，在YOLOv5主干网络中加入坐标注意力机制，在避免大量计算资源消耗的前提下增强感受野，将坐标信息嵌入通道注意力中以提升模型对目标的定位.使用加权双向特征金字塔网络结构替换YOLOv5特征融合模块中的特征金字塔网络(FPN)结构，提升多尺度加权特征的融合能力.在自制缺陷电子元件数据集上的实验结果表明，改进的GCB-YOLOv5模型平均精度达到93%，平均检测时间为33.2 ms，相比于原始YOLOv5模型，平均精度提高了15.0%，平均时间提升了7 ms，可以同时满足电子元件表面缺陷检测精度与速度的需求.     

修复缺陷嫌疑区域的无监督磁瓦表面缺陷检测

磁瓦表面缺陷样本数量少,异常视觉特征分布发散,现有依赖目标特征的有监督检测方法不能有效检测未定义缺陷;磁瓦表面正常纹理呈非均匀且非周期性分布,使得经典重构网络难以准确地重构磁瓦表面正常特征,导致相关无监督检测方法性能低下.为此,采用多头注意力增强的掩码图像修复网络(MIINet),长距离提取图像特征,捕捉全局信息,增强图像修复的能力;引入视觉显著性算法抑制磁瓦表面纹理信息和突显缺陷区域,以便二值化算法精准分割缺陷嫌疑区域;利用MIINet修复待检测图像缺陷嫌疑区域,选用修复前后图像的残差图像和结构相似性实现缺陷检测与缺陷判定.与经典无监督方法相比,修复缺陷嫌疑区域的表面缺陷检测方法的准确率提升了2.36%,F1值提升了1.62%.     

基于注意力机制与YOLOv5融合的树脂拉链缺陷检测算法研究

针对传统的树脂拉链缺陷人工检测存在的效率低和劳动强度大等问题，本文将YOLOv5算法与注意力机制(convolutional block attention module, CBAM)相结合，对树脂拉链缺陷检测算法进行研究，给出了算法的结构原理，并对树脂拉链缺陷进行检测试验。采集带有坏齿、边缘、内部、挤出、开裂和污染的树脂拉链图像，建立数据集并据此标注。同时，利用数据集对YOLOv5网络模型进行训练，并选择900张树脂拉链缺陷图像进行测试。测试结果表明，不同树脂拉链缺陷的检测准确率不同，模型对坏牙、边缘、内部、挤压、开裂和污染6种树脂拉链缺陷的识别率分别达到99%,100%,100%,100%,100%和99%,检测目标的置信度范围为0.82～0.99,检测准确率较高，效果较好，证明模型测试的精确率达到100%,召回率达到100%,平均准确率达到98%,证明了本文方法的可行性和有效性。本文算法可实现对常见树脂拉链缺陷的检测、分类及定位。该研究对提升树脂拉链制造行业的生产效率具有一定的成效。     

基于大边距度量学习的车辆再识别方法

在目前的车辆再识别方法中,车辆在拍摄过程中的多视角会导致特征嵌入空间中决策边界附近样本较难区分. 针对该问题,提出通过最大化边界距离提升车辆再识别准确率. 在特征表示阶段,设计了大边界损失度量函数,可以有效处理相似车辆的混淆问题;采用入侵叛逃采样策略,可以在训练样本中找出更容易混淆的难样本以更有针对性地训练网络,并加快网络的训练速度. 在车辆检索阶段,提出基于核函数的重排序方法,可以提高车辆再识别的准确率. 在3个公共数据集上的实验结果显示,车辆再识别的准确率得到提高,同时训练和推理效率得到改善. 理论分析和实验表明,大边距度量学习通过挖掘决策边界的难样本,可以有效解决车辆再识别中的多视角问题.     

基于组合零样本学习的接触网吊弦线缺陷识别

目前现场接触网吊弦缺陷图像严重不足，导致模型特征学习不充分，识别准确率难以得到有效提高，为此提出基于组合零样本学习的接触网吊弦线缺陷识别方法.采用以ResNet-50作为主干网络的视觉特征提取模块提取图像视觉特征；使用预训练的Word2Vec词向量对标签组合图中的节点特征进行初始化，并通过2层图卷积网络学习标签组合图中各节点之间的依赖关系，从而优化组合标签节点的语义特征，改善最终的识别效果；将提取到的视觉特征和优化后的组合标签节点的语义特征相对齐，构建相似度函数计算图像视觉特征与组合标签语义特征之间的相似度得分，并通过交叉熵损失完成图像组合标签的预测.仿真实验结果表明：所提方法对可见类样本的类平均检测准确率为93.5%，对不可见类样本的类平均检测准确率为86.5%.     

基于深度学习的不锈钢棒材表面螺纹缺陷检测

不锈钢棒材表面的螺纹是棒材磨制过程中造成的缺陷,严重影响棒材的验收与后续使用,目前针对该类缺陷多采用人眼观察、手指感知等人工方式进行判断,漏检率较高,且螺纹缺陷的图像极具多样性,传统的特征提取方法不能很好地表征螺纹,检测率较低,无法满足工业现场的需求。据此,采用深度网络对螺纹进行检测,并建立大型不锈钢棒材图像的螺纹缺陷数据集,采用迁移学习的方法对螺纹图像进行训练,得到分类器。实验结果表明,文章提出的深度学习方法在保持较高检测速度的同时,有效提升了检测螺纹缺陷的正确率。     

未来网络与工业互联网发展综述

针对手机表面缺陷难以精确识别的问题, 提出一种兼具Soble算子、逻辑损失函数(logistic loss function, LLF)和多尺度卷积神经网络(multi-scale convolutional neural networks, MSCNN)手机表面缺陷识别方法SL-MSCNN。首先, 构建了一种基于Sobel算子的邻域特征增强方法, 排除了图像中光照、阴影等无关因素的干扰; 其次, 设计了一种基于MSCNN的缺陷识别方法, 通过获得手机表面图像的多尺度信息, 提高了手机表面缺陷的识别精度, 同时, 引入了LLF, 通过降低梯度消失发生的概率加快训练的检测速度。实验结果表明: 与其他手机表面缺陷识别方法相比, SL-MSCNN在准确率和效率方面具有更好的使用价值。

     

基于特征与形貌重构的轴件表面缺陷检测方法

针对轴件表面缺陷机器视觉检测方法中的水渍残留误检率高和人工复检效率低问题,提出一种基于特征与形貌重构的轴件表面缺陷检测方法. 对轴件工业高速线扫描图像进行预处理,基于改进的阀值迭代算法完成图像分割,通过去除背景、噪点和干扰提取缺陷图像. 建立基于曲线簇包络轮廓的轴件表面缺陷特征模型,结合分割图像各连通域的面积、面积占比、粗短度训练逻辑回归分类器,对凹坑、裂纹和麻点等轴件表面典型缺陷进行识别,并结合图像深度信息进行缺陷形貌重构,消除水渍等伪缺陷,提高轴件表面缺陷检测鲁棒性. 实验结果表明,所提出的轴件表面缺陷检测方法有效,具有较高的缺陷识别率和鲁棒性能,平均识别时间为3.69 s,缺陷轴加权识别率为98.86%,可以对3类典型缺陷和水渍进行准确识别.     

基于动态先验特征的包覆药多类型外观缺陷深度检测框架

包覆药通常被嵌入固体火箭或导弹发动机的动力系统中，其外观质量直接影响该类动力系统的性能表现。针对包覆药外观存在的形状、尺寸和表面缺陷，提出了一种基于动态先验特征的包覆药多类型外观缺陷深度检测框架，包括：1）将基于深度分类器的形状缺陷检测和基于深度分割网络的尺寸缺陷检测模型集成，去除不同任务间的冗余特征，同时将深度分割网络当前迭代形成的过程特征作为动态先验特征，作用于深度分类器参数下一次迭代更新，加快模型收敛速度；2）将深度分割网络产生的过程特征映射至基于卷积自编码器的表面缺陷检测模型中，指导检测模型快速聚焦于包覆药，抑制任务无关特征重复提取。实验结果表明，该方法在模型功耗、检测效率及检测准确率等方面具有较好的表现。     

基于混合梯度提升决策树和逻辑回归模型的分组密码算法识别方案

针对密码算法识别工作中因密码算法数量增多、密文数据复杂化以及数据间干扰增加,导致单层识别方案的识别准确率和稳定性变差等问题,提出一种基于混合梯度提升决策树和逻辑回归模型,并基于该模型构造分组密码算法识别方案。在该方案中,首先用原始十组特征训练梯度提升决策树模型,然后利用其学习而生成的树来构造新特征,再将新特征做one-hot编码,最后把这些新特征加入到原有特征中,训练逻辑回归模型进行预测。在唯密文情况下,针对AES、3DES、Blowfish、CAST和RC2五种典型的分组密码开展密码算法识别研究。当密文大小及其它实验条件都相同时,其二分类的识别准确率最高可达70%,五分类准确率最高达32%;高于基于单一梯度提升决策树分类方案的52.5%和27.2%分类准确率,以及单一逻辑回归模型分类方案的45%和25.6%分类准确率;显著优于二分类50%以及五分类20%的随机猜测正确率。实验结果表明,在分组密码算法上开展二分类和五分类识别,相较于其它识别方案,当密文长度相同时,该方案具有更高的分类准确率。同时随着密文长度的变化,识别准确率呈波动性变化,该方案波动幅度最小,受影响程度最小,稳定性最高。     

基于改进YOLOv4的电子元器件表面缺陷检测技术研究

采用人工检测工业生产中电子元器件表面缺陷,检测精度和速度都难以满足实际需求.为此提出一种基于改进YOLOv4的电子元器件表面缺陷检测方法,以期为自动化检测提供支撑.通过对网络结构调整,大幅减少网络结构复杂程度;通过设计先验框尺寸优化方法,加快模型训练时的收敛速度;通过设计样本增强方法,对训练数据进行扩充,使网络模型的检...     

基于神经网络的钢材表面缺陷快速检测

表面缺陷是影响钢材质量的重要因素,钢材表面缺陷图像在线快速检测已成为国内外学者研究的热点课题。研究钢材表面缺陷识别技术不仅具有一定的理论价值,更具有实际的应用前景。本文设计并通过仿真实现了冷轧带钢表面缺陷检测系统及缺陷分类系统,重点研究了BP神经网络方法及图像处理技术在钢材表面缺陷识别中的应用,实现冷轧带钢表面缺陷的快速自动分类。     

基于深度学习的电表字符缺陷检测方法

针对传统电表显示屏字符缺陷检测准确率和效率较低等问题,设计一种基于深度学习的电表字符缺陷分步检测方法。对相机采集的图片进行特征标注,利用电表字符区域分块算法对智能电表一次检测,实现对电表字符区域的精准分类;对裁剪后的每块区域字符进行缺陷特征标注,再利用电表字符缺陷检测算法分别对九块区域进行二次检测,解决电表字符缺陷检出率低的问题;对所提方法进行实验验证。结果表明,电表区域分块检测精度达99.9%、速度达0.6 s/张,字符缺陷检测精度达98%、速度达1.04 s/块,单个电表的检测时长为1.64 s,所提方法可满足电表实际生产中检测精度和时间的需求。     

基于改进YOLOv5s的桥梁螺栓缺陷识别方法

针对现有算法在检测桥梁螺栓缺陷时因螺栓背景复杂和尺寸较小而导致的特征提取不充分、目标定位不精确问题,提出了一种基于改进YOLOv5s的桥梁螺栓缺陷识别方法。该方法在骨干网络中引入注意力机制以提升模型对螺栓特征的提取能力并加深对螺栓全局特征的关注度;优化空间金字塔池化结构以减少螺栓特征信息流失;采用MPDIoU作为边界框回归损失函数,提高螺栓边界框的回归精度;将YOLO检测头解耦以消除目标检测中分类任务和回归任务共享检测头对边界框位置回归的负面影响。在螺栓锈蚀、螺栓松动、螺栓脱落和螺母脱落4类典型缺陷螺栓以及正常螺栓的3810张自制螺栓图像数据集上进行训练和测试,实验结果表明：本文算法对螺栓缺陷的检测精度达到90.8%,相较于YOLOv5s提升了3%,均值平均精度达到92.6%,相较于YOLOv5s提升了4.3%,可以应用于桥梁螺栓的缺陷智能识别。     

基于Faster-RCNN的汽车涂胶缺陷检测

在汽车涂胶缺陷检测中,由于人工检测存在效率低、人眼视线盲区等问题,使零件性能受到影响,因此机器检测方法显得尤为重要。针对自动涂胶过程中断胶会严重影响生产的问题,提出基于Faster-RCNN的汽车涂胶缺陷检测方法。首先采用多阈值图像分割将涂胶缺陷区域从复杂工厂环境的图像中分割出来,制作成VOC2020数据集格式以适合Faster-RCNN训练及测试;然后采用简化区域生成网络和多尺度特征融合的区域推荐模型提取特征,并将提取的特征图输入到Faster-RCNN网络中;最后采用多尺度策略来对网络进行训练测试,以提高检测准确率。实验结果表明:汽车涂胶检测算法经过改进后,其准确率达到97.5%;检测速率为每张图像耗时0.038 s;在汽车涂胶缺陷实时检测方面达到领先水平。     

基于深度学习三维成型的钢板表面缺陷检测

为了解决二维检测方法难以检测带有深度信息的缺陷问题，提出全新的三维重建网络.提出基于多尺度特征增强的级联式三维重建网络(MFE-CasMVSNet)，并与点云数据处理技术结合，用于钢板表面缺陷检测.为了提高三维重建的精度，提出位置导向的特征增强模块(PFEM)和多尺度特征自适应融合模块(MFAFM)，对特征进行有效提取并减少信息丢失.提出基于曲率稀疏化的密度聚类方法 (CS-DBSCAN)，用于精确识别不同部位的缺陷.引入三维检测框，实现对缺陷的定位与检测可视化.实验结果表明，相较于图像几何的重建方法，MFE-CasMVSNet能够更加精确、快速地实现钢板表面的三维重建.相较于二维检测，三维缺陷检测能够精确获取缺陷的三维形状信息，实现对钢板表面缺陷的多维度检测.     

深度学习在输电线路无人机巡检中识别防振锤缺陷的应用

基于深度学习技术,对无人机巡检架空线路防振锤缺陷识别的应用开展了研究。针对巡检图像背景复杂,防振锤识别目标小、易出现漏检的特点,在更快的基于区域的卷积神经网络（faster region-based convolution neural network, Faster R-CNN）算法基础上,利用光学矫正和综合去噪对图像进行预处理,用深度残差网络（deep residual network, ResNet)提取特征图,增大、增多训练尺度对算法进行优化。通过Gabor滤波器和分析红绿蓝(red green blue, RGB)颜色通道特征分别对防振锤损坏和锈蚀缺陷进行识别。实验结果表明:该方法对防振锤缺陷有较好的识别效果,召回率达到92.56%,精确度达到98.24%,优于现有的其他目标检测方法。