基于卷积神经网络的工件表面缺陷检测方法

为了提高工件表面缺陷检测的准确率,基于卷积神经网络的原理和工件表面缺陷检测的应用背景,对分割网络模型进行了改进.改进的分割网络模型中优化分割模块中的卷积层和卷积核大小,下采样时使用最大池化代替大步长的卷积.决策模块中通过改变卷积层和池化层得到更多的输出神经元,获得了更多的工件特征.实验验证表明,改进的分割网络模型应用到...     

轴类筒类工件表面裂纹的超声测高

提出用超声波横波对位于轴类、筒类外圆和内圆表面的裂纹测高计算方法和对仪器探头的要求等。     

基于聚类的埋弧焊X射线焊缝图像缺陷分割算法及缺陷模型

针对埋弧焊X射线焊缝图像的噪声强、弱对比度特点和常规图像分割算法成功率低的现状,提出将缺陷视为噪声,利用密度聚类方法进行缺陷分割.在进行图像聚类时,提出图像灰度密度的概念,方便对焊缝图像的分割.通过对现场100张焊缝图像的试验表明,所提方法大幅度地提高了缺陷分割的成功率,将分割成功率提高至95%.在聚类分割算法基础上,通过试验给出一种新的高维空间缺陷数学模型,该模型综合考虑了缺陷形式复杂性等特征.通过试验在高维空间对模型予以验证,并结合所提聚类算法给出了覆盖率曲线.     

基于模糊聚类双谱的磁瓦内部缺陷无损检测方法

为解决磁瓦内部缺陷较难检测的问题,提出一种模糊聚类双谱分析方法用于其内部缺陷的无损检测。该方法以磁瓦在受到撞击时产生的声振信号作为研究对象,利用双谱分析发现内部缺陷与双谱峰值的分布区域具有映射关系,并且模糊聚类处理后的归一化双谱能明显地反映这一特征。根据这个规律,通过将模糊聚类双谱的对角线切片划分为若干频段,并计算切片指定幅值所在的频段建立内部缺陷识别规则。最后由验证试验评估该方法的可行性,得到了92.5%以上的识别精度。试验表明:模糊聚类双谱在磁瓦内部缺陷声振检测中具有一定实用性。     

一种基于改进Faster RCNN的金属材料工件表面缺陷检测与实现研究

目的 针对传统检测算法在工件表面缺陷检测上的局限性,以及检测精度不高、准确率较低、检测过程繁琐等问题,提出了一种基于改进RCNN的金属材料工件表面缺陷检测算法。方法 图像预处理过程中,运用了图像缺陷定位标注与图像数据的增强处理的方法。模型训练时为了避免某些分类数据不足,防止因数据集过小导致系统测试模型出现过拟合现象,使用了对原图像进行数据扩增处理。检测网络模型设计时,采用非极大值抑制算法对缺陷图像进行候选区域筛选,构建了区域建议网络,实现网络多层特征的复用和融合,在减少候选区域冗余的基础上提高系统的检测精度。引入多级ROI池化层结构设计算法,消除ROI池化取整而产生的系统偏差,实现高效并准确检测零件表面缺陷的目的。基于ROI-Align算法的原图位置坐标改进,利用双线性插值法获得原图的位置坐标,克服了基于最近邻插值法的ROI-Pooling设计算法带来的像素位置偏移和检测不匹配（misalignment）的问题。结果 设计的检测方法在测试集上,金属材料工件表面目标缺陷检测速度达22 帧/s,准确率达97.36%,召回率达 95.62%。结论 与传统的工件表面检测方法相比,改进的FasterRCNN方法对目标识别与定位处理具有较快的速度与较高的准确度,能在复杂场景条件下,提升工件表面缺陷的检测性能。     

基于深度学习的曲面玻璃表面缺陷检测方法

针对曲面玻璃表面缺陷成像难、识别准确率低等问题,提出一种基于YOLOv4的曲面玻璃表面缺陷检测方法。根据光源的方向确定平面与曲面的光学特性,采用明场背面漫射照明的方式来获得图像信息,确立打光方案后获取不同表面的缺陷图片。使用改进K-means聚类算法,采用交并比函数确定锚框的量度,解决原锚框大小不适用于玻璃缺陷小目标检测问题。将所提方法与缺陷检测主流算法对比验证。结果表明：所提改进的YOLOv4方法均值平均精度(mAP)可以达到80.14%,与Faster RCNN以及YOLOv3算法相比,mAP分别提升了8.29%和16.11%,并且有更好的鲁棒性和检测效果。     

模糊聚类在样品检测中的应用

文章给出了模糊聚类的方法和步骤,并给出了一个例子,即模糊聚类在样品检测中的应用.     

轴类工件直线度在线检测系统的开发

针对目前国内轴类自动校直机的生产效率低、精度不高的情况,研制了一种新型的轴类工件直线度检测系统.测量机构的支撑部分采用校直点支撑座自动下沉式机械结构,整个回转测量系统固定在类似机床导轨滑台上,校直过程中通过滑台的移动来改变校直点位置,定位准确、快速.同时取消传统校直机支座部动作气缸,减少控制环节,降低了机械结构成本,提高了工作效率.从应用数学出发,通过傅立叶变换建立数学模型,将工件的椭圆度误差信号、直线度误差信号、突变信号三者分离,得到近似理想轴的直线度误差.     

自适应滤波在超声无损检测中的应用

超声无损检测中,特定的缺陷回波一般都具有一定的相关性,因而可利用自适应滤波来增强缺陷回波信号,介绍自适应滤波的结构与最小均方（LMS）算法,从超声检测应用结果来看,该方法有较好的特性与前景。     

表面检测缺陷图谱的特征分析

表面检测能探测到材料表面或近表面人眼所不能察觉到的缺陷,是常规无损检测的一个重要组成部分。在收集了大量带有各种特征表面缺陷的航空零件的基础上,阐述利用荧光渗透、着色、磁粉等表面检测技术,选择最佳工艺规范,检测出工件表面缺陷的基本原理,并将其制成图谱。对实际应用有较好的参考意义。     

一种非线性扩散与图像差分的金属表面缺陷检测方法

目的为检测金属产品表面缺陷提供一种有效的方法,希望可以对金属产品表面质量进行监控。方法首先,引入自适应中值滤波方法对原始图像中的噪声进行滤除,以提高金属表面缺陷的检测正确度。然后,利用图像梯度的倒数对传统的P-M非线性扩散模型中的扩散因子进行改进,使得金属表面图像中梯度值较大的区域得以平滑,同时保持其他区域的平滑度不变。将金属表面的原始图像与经过非线性扩散后的图像进行图像差分运算,以消除光照度对金属表面图像的影响,获取均匀背景的金属表面图像,使得缺陷区与非缺陷区的对比度得以增强。最后,通过差分图像中图像块的标准差构造自适应二值化模型,对差分图像进行二值化,以提取金属表面的缺陷区域,实现对金属表面缺陷的准确检测。结果通过对具有划痕、裂纹、缺口以及锈斑缺陷的图像进行检测表明,该方法能够对金属表面缺陷进行准确的检测。结论所设计的方法能对金属表面缺陷进行检测,并且检测精度也优于当前其他金属表面缺陷检测方法。     

基于机器视觉的线缆表面缺陷快速检测算法研究

利用机器视觉技术检测线缆表面缺陷时,检测时间长、漏检率高。为此,提出一种基于机器视觉的线缆表面缺陷快速检测算法。通过引入CV-Kmeans区域分类算法建立自适应滤波窗口改进高斯滤波算法,在此基础上建立自适应模板,然后计算原图像与模板的Pearson(皮尔逊)相关系数快速判断图像是否含有缺陷。对含有缺陷的图像进行模板与原图差分,最后对差分所得到的图像用自适应阈值分割法提取缺陷。实验表明,算法可有效识别缺陷并减少检测时间,漏检率为3.22%,满足线缆生产需求。     

基于改进BiFPN的微特电机电枢表面缺陷检测方法

针对现有微特电机电枢表面缺陷检测方法存在检测精度不高,特别是对相似性工件容易误判等问题,结合深度学习的方法,提出一种基于改进BiFPN的电枢外观缺陷检测方法。工业相机采集到的电枢图像通过匹配算法经过裁剪得到ROI,将ROI输入到EfficientNet结构,进行基础特征提取;采用通道注意力机制增强改进的BiFPN结构,对提取出的不同维度特征进行融合,并对特征进行筛选;使用分类器输出最终检测结果。结果表明：该电枢外观缺陷检测方法检测准确率优于ResNet和EfficientNet等深度学习检测方法,其检测准确率高达98.42%。研究结果对相似性较大的微特非标工件的检测性能提升有积极意义。     

近表面缺陷的超声TOFDR和TOFDW检测

针对超声TOFD方法存在近表面检测盲区问题,提出了基于二次波的综合超声衍射反射回波方法(TOFDR)和缺陷W衍射反射方法(TOFDW)的检测模式。分析了TOFDR和TOFDW检测方法的超声传播特性,阐明了2种方法的检测原理,研究了它们的近表面理论检测能力。对于TOFDR检测方法,缺陷越近表面,D扫图像分辨特征越好。对于TOFDW检测方法,总体分辨能力大于TOFDR方法,但对于特别浅的近表面缺陷,声波难以识别,而将这2种检测方法综合应用,通过调整检测工艺参数可对近表面缺陷进行识别。通过对人工缺陷试样的检测,研究了综合2种方法结合条件的新检测模式的信号图像特征以及检测灵敏度,2种检测方法结合产生的D扫图像能很好的发现埋藏深度为1 mm的缺陷。     

基于小波变换的发动机表面缺陷图像去噪方法的研究

目的 滤除发动机表面缺陷图像上的噪声,使发动机表面缺陷信息得以更好地呈现。方法 首先利用小波变换将发动机表面缺陷含噪图像进行系数分解,获取不同的小波系数;接着利用支持向量机对小波分解系数进行分类,以达到将噪声信号与非噪声信号进行分离的效果;最后利用插值运算对硬阀值函数进行优化,以克服函数不连续性引起的振铃效应等弊端,使得去噪后图像能够保持更多的细节信息。通过实验仿真将所提方法以及中值滤波、双边滤波方法的去噪效果进行对比。结果 所提方法去噪后图像与中值滤波以及双边滤波方法去噪后图像相比,具有更高的PSNR值以及SSIM值。测试图像噪声强度为25%时,所提方法去噪后图像的PSNR值以及SSIM值较中值滤波方法去噪分别提高了20.66%以及11.89%,较双边滤波方法去噪分别提高了10.30%以及5.48%。结论 所提方法比中值滤波、双边滤波方法具有更好的去噪效果,能够对发动机表面缺陷图像的噪声进行去除,并较好地保留图像的细节信息。     

改进型快速分群算法在偏光板瑕疵检测中的应用

为了缩短LCD生产中偏光板瑕疵检测时间,以满足后续生产中动态切割的需求,开发即时偏光板瑕疵区域检测系统。该系统使用线性马达平台移送偏光板成品,以固定的扫描频率触发8k线型扫描摄影机拾取影像,同步处理部分已经拾取到的影像进行瑕疵区域检测。首先使用适应性门槛值进行瑕疵影像分割,再利用以密度为基础的改进型快速分群算法对瑕疵影像进行分群处理与位置范围标记,最后将影像处理与瑕疵标记程序以并行方式交由双核心CPU处理,实现即时瑕疵检测的功能。通过实验可知,检测平台在70 mm/s的移动速度下,单个CCD每秒可连续处理宽约57 mm偏光板影像的瑕疵检测与分群,满足了生产需求。     

基于灰度均衡模型联合Gabor滤波器的钢轨表面缺陷检测方法

目的 设计一种钢轨表面缺陷检测方法,对钢轨表面存在的缺陷进行快速、准确地检测。方法 首先,利用图像的灰度均值构造灰度均衡模型,对钢轨表面图像中像素点的灰度值进行修正,以克服光照不均的影响。然后,利用图像的谱残差模型与相位谱增强钢轨表面图像中的缺陷部分,引入ostu阈值分割法对增强后的图像进行二值化,对图像中的缺陷区域进行准确地分割提取。最后,利用Gabor滤波器,将二值化图像中的噪声进行滤除,并保留缺陷区域的边缘等细节特征。结果 与对照组方法相比,所提方法的检测效果较好,精确率以及召回率都有所提高。直观测试结果显示,所提方法能够较为完整地检测出钢轨表面缺陷。客观测试实验结果显示,所提方法的精确率为90.11%,召回率为93.41%,且平均耗时为45.17 ms,相对对照组方法而言,耗时最少。结论 所提钢轨表面缺陷方法不仅能够准确地对钢轨表面缺陷进行检测,而且还具有较高的检测效率。     

基于超声散射法的微小缺陷及近表面缺陷的检测

针对常规超声检测法存在对(?)1.0 mm以下的微小缺陷漏检及近表面检测存在盲区的问题,提出一种超声垂直发射背向散射的检测方法。分析了散射模式的声场传播特性,阐明了该模式的检测原理。通过对不同类型和尺寸的人工缺陷检测,分析了该散射方法的检测信号、检测灵敏度及成像图形;通过有限元分析,对散射波声场分布的可靠性进行了验证。结果表明,超声散射法能够识别常规超声检测方法容易漏检的微小缺陷及无法辨别的近表面缺陷,可有效检测(?)0.4 mm的微小缺陷及埋藏深度1.0 mm的近表面缺陷。     

基于改进YOLO v3的轴承端面缺陷检测算法

为提高轴承端面缺陷检测的速度以及检测精度,提出一种基于改进YOLO v3的轴承端面缺陷检测算法。首先,对图像数据集进行数据增强处理以防止产生过拟合现象;其次,通过改进K-means聚类算法重新聚类出目标检测的Anchor Boxes,并引入SKNet注意力机制模块对原网络结构以及输出层结构进行改进;最后对改进的YOLO v3算法进行实验验证,并与原YOLO v3算法进行对比分析。结果表明,改进后的YOLO v3算法相比原YOLO v3算法对轴承端面缺陷检测的mAP值提升了7.03%,检测速度提升了34.7 帧/s,验证了改进算法的有效性。