基于小样本图像分类的芯片引脚缺陷检测方法

为了检测SOP芯片的引脚缺陷，提出了基于小样本图像分类的SOP芯片引脚缺检测的方法。该方法包含了芯片定位识别、芯片倾斜矫正以及芯片引脚参数测量。根据芯片塑封体与视觉系统采集的样品背景的特征进行芯片定位识别算法研究。通过提取芯片塑封体的边缘点进行直线拟合并矫正倾斜的芯片算法研究。基于Lnent-5模型构建图像分类网络，以10×10的尺寸对预处理后的图像进行切割并分类，通过分类结果确定每个引脚的位置以及边界，并根据引脚边界的分类结果计算芯片引脚的关键尺寸，判断是否存在缺陷。实验结果表明总体检测率达到99%,此方法能够满足在小样本的情况下稳定、准确地检测出SOP芯片的引脚缺陷。     

基于深度神经网络的PET瓶坯缺陷检测的研究

为了实现PET瓶坯的缺陷检测,本文采用了基于深度神经网络通过迁移学习的方法进行缺陷检测.搭建了PET瓶坯缺陷检测系统平台.通过图像处理技术对样本图像进行预处理.采用以AlexNet网络为基础神经网络的迁移学习方法对瓶坯进行缺陷分类,通过改变卷积层、激活函数、池化层、全连接层、学习率、迭代的次数等方法来提高AlexNet...     

基于CA-YOLOv5的热轧带钢表面缺陷检测方法

针对当前热轧带钢表面缺陷检测中存在精度低及复杂背景干扰等问题,提出一种基于坐标注意力(coordinate attention, CA)的CA-YOLOv5缺陷检测方法。主要对YOLOv5的输入端、外加模块和检测端3个方面进行改进：在输入端,采用随机拼接4张或9张图片的方法对训练数据进行增广,并利用遗传算法(genertic algorithm, GA)对网络超参数进行寻优,使得YOLOv5更适用于带钢缺陷检测;在主干网络和外加模块之间引入CA机制,加强网络对缺陷深层特征的提取能力;最后,在检测端,对每一检测分支进行解耦,将检测的分类和位置回归两类任务分开,提升网络对缺陷的检测能力。在NEU-DET热轧带钢表面缺陷数据集上进行了验证实验,实验结果证明,CA-YOLOv5的均值平均精度(mean average precision,mAP)达到84.36%,不仅较原YOLOv5算法提升6.68%,而且优于其他先进的检测算法。     

基于深度卷积神经网络的输电线路可见光图像目标检测

为了检测输电线路可见光图像中的塔材、玻璃绝缘子和复合绝缘子,本文采用了一种基于深度卷积神经网络的技术。通过有人直升机搭载高清相机拍摄19条不同的输电线路近600张图片,对图片中的背景、塔材、玻璃绝缘子和复合绝缘子目标进行人工标注及分块,采用数据扩展生成包含15万个样本的输电线路图像库。构造5层深度卷积神经网络,首先用Cifar-100数据集对网络进行预训练,然后用输电线路图像库进行网络调优。本文方法在检测真阳率为90%时,假阳率低于10%,明显优于传统方法,可用于输电线路可见光图像中的塔材、玻璃绝缘子和复合绝缘子检测,检测结果可用于诊断参考或进一步的目标状态分析。可对输电线路可见光图像中的塔材和绝缘子目标进行检测,并可扩展到其它类型目标的检测。     

基于改进生成对抗网络和MobileNetV3的带钢缺陷分类

针对数据集样本数量较少会影响深度学习检测效果的问题,提出了一种基于改进生成对抗网络和MobileNetV3的带钢缺陷分类方法。首先,引入生成对抗网络并对生成器和判别器进行改进,解决了类别错乱问题并实现了带钢缺陷数据集的扩充。然后,对轻量级图像分类网络MobileNetV3进行改进。最后,在扩充后的数据集上训练,实现了带钢缺陷的分类。实验结果表明,改进的生成对抗网络可生成比较真实的带钢缺陷图像,同时解决深度学习中样本不足的问题;且改进的MobileNetV3参数量是原有参数量的1/14左右,准确率为94.67%,比改进前提高了2.62个百分点,可在工业现场对带钢缺陷进行实时准确的分类。     

基于GAN的改进RPN输电线路细小金具缺陷检测方法

输电线路在常年使用过程中会受到外界环境的影响,各种部件可能出现不同程度的破损,这给电力系统的稳定运行带来了巨大挑战,因此,输电线路各部件的检测对电力系统稳定运行起着关键作用。随着无人机巡检的广泛应用,基于机器视觉和深度学习的目标检测技术在输电线路缺陷检测领域得到了应用。针对输电线路细小金具图像质量差、样本数量少及类别不平衡而导致缺陷识别精确度低的问题,提出了一种基于GAN的改进RPN输电线路细小金具缺陷检测方法。利用生成式对抗网络（Generative Adversarial Networks, GAN）理论搭建了深度卷积网络的细小金具图像生成模型,通过生成器和判别器生成目标图像,丰富训练样本数据集,再基于Faster-RCNN目标检测网络训练细小金具缺陷识别模型;其次将Faster-RCNN中基于交叉熵的RPN分类损失替换为Focal loss,并保留所有前景及背景anchors来训练RPN,提高了细小金具中困难负样本在Faster-RCNN的区域建议网络（Region Proposal Networ, RPN）中的分类损失权重。实验结果表明,论文所提方法能够显著提高缺陷识别精确度,对电力巡检智能化缺陷诊断具有一定的参考价值。     

基于BP神经网络的玻璃缺陷识别技术研究

为了准确、快速地对玻璃质量进行分类,提出一种基于BP神经网络的玻璃缺陷识别方法。由于不变矩与灰度共生矩阵分别可以描述图像的形状与纹理,在分析了缺陷灰度图像特点的基础上,将图像的纹理特征和不变矩特征融合,综合提取出一个分类能力更强的特征向量,再使用一个拟牛顿改进算法的三层前向BP网络。作为分类器,对常见的玻璃缺陷进行了识别。通过实验对比该方法和传统的单一特征识别法,证明该方法不仅具有更高的识别率,并且实时性较好,为玻璃缺陷的自动识别提供了一种新的途径。     

基于对比学习的改进SSD目标检测算法

现有基于深度学习的目标检测算法在图像的目标检测过程中存在物体视角的多样性、目标本身形变、检测物体受遮挡、光照性以及小目标检测等问题。为了解决这些问题,本文将对比学习思想引入到SSD(Single Shot MutiBox Detectior)目标检测网络中,对原有的SSD算法进行改进。首先,通过采用图像截块的方式随机截取样本图片中的目标图片与背景图片,将目标图像块与背景图像块输入到对比学习网络中提取图片特征进行对比损失计算。随后,使用监督学习的方法对SSD网络进行训练,将对比损失传入到SSD网络中与SSD损失值加权求和反馈给SSD网络,进行网络参数的优化。由于在目标检测网络中加入了对比学习的思想,提高了背景和目标在特征空间中的区分度。因此所提出的算法能显著提高SSD网络对于目标检测的精度,并在可见光和热红外图像中均取得了令人满意的检测效果。在PASCAL VOC2012数据集实验中,AP50值提升了0.3%,在LLVIP数据集实验中,AP50值提升了0.2%。     

基于跨域学习的单样本目标检测方法

针对单样本目标检测样本量较少的问题，提出了一种基于跨域学习的方法。该方法从数据增强的角度出发，增加其他域的数据集作为辅助，增强网络学习能力，同时为解决不同域间存在差异的问题，提出了一种基于图片尺度和实例尺度的跨域学习算法，分别对输入的图片特征与检测网络的候选特征增加域分类器模型，用于增强网络对跨域数据的背景和目标的域适应能力。在两个不同的跨域场景进行实验，其中在PASCAL VOC数据集上与目前主流的单样本目标检测算法进行比较，超过目前最好算法2.8个百分点，从而证明了本文方法可以有效提高单样本目标的检测性能。     

基于改进YOLOv5的光伏组件缺陷检测

电致发光（EL）检测技术作为太阳电池和组件缺陷检测的重要手段被广泛运用，但是EL检查中的缺陷筛查仍然需要持续完善。为了克服以往研究中可识别缺陷的种类少、无法对缺陷进行定位、模型参数多体积大及检测速度慢的局限性，使用改进的YOLOv5网络对电致发光图片中常见的隐裂、断栅、裂片和黑斑4类主要缺陷进行检测和分类。使用Ghost模块代替YOLOv5骨干提取网络中的普通卷积模块，减少网络模型的参数量；为了保证良好的检测性能，在骨干网络尾端加入Squeeze-and-Excitation(SE)注意力模块，提升算法的目标检测能力；在特征融合网络中引入双向特征金字塔网络（BiFPN）结构，进一步加强网络的特征融合能力。结果表明，所提模型成功地识别和定位了4类常见的缺陷，与YOLOv5算法相比，模型体积减小了21%，在没有GPU加速的情况下，单张图片的检测速度提升了17.4%。