基于特征金字塔匹配和自监督的表面缺陷检测

针对传统表面缺陷检测无法适应工业复杂背景等问题,提出一种基于特征金字塔匹配和自监督的表面缺陷检测算法。首先,将两个基于通道注意力的残差网络提取的特征构成金字塔,根据网络各层输出的差异找到缺陷。其次,网络预训练的方式上采用了自我引导潜能（BYOL）自监督学习,经过自监督学习的网络可以提取通用特征,并提高缺陷检测方法的泛化性。最后,在遇到模糊图像时,采用基于不同分辨率的蒸馏训练来让学生网络充分学会提取图像的深度特征。对所提算法在3个数据集上进行了测试,实验结果证明,所提方法好于对照组,具有更高的缺陷检测精度。     

基于无监督网络的手机屏幕缺陷分割方法

针对工业上手机屏幕缺陷检测准确度不高,分割精度低等问题,提出一种基于无监督网络的方法,实现手机屏幕的缺陷分割.首先,通过无监督的卷积去噪自编码器构建多尺度特征的图像重构网络,实现从缺陷图像中重构出多层背景纹理图像.然后,将缺陷图像与多层背景重构图像分别进行减法运算,消除背景纹理的影响.最后,通过自适应阈值策略进行分割处...     

基于LSDANet的手机芯片屏蔽壳表面缺陷检测方法

为了解决手机芯片屏蔽壳表面白印缺陷微小、尺度各异等因素影响检测快速性和准确性的问题,本文提出一种基于长短连接通路和双注意力网络(long short link and double attention network, LSDANet)的手机芯片屏蔽壳表面缺陷检测方法。首先,通过构建基于编码和解码的语义分割模型和利用长短距离连接通路,提高网络模型对尺度各异缺陷的特征提取能力。其次,分别设计基于通道和空间的注意力机制,增大5—10 pixel尺寸的白印缺陷在空间和通道上的特征权重。最后,融合双注意力机制和长短距离连接通路分割模型,构建LSDANet缺陷检测网络,应用于手机芯片屏蔽壳表面缺陷检测。实验数据表明,LSDANet网络能够达到96.21%的平均像素精度、66.13%的平均交并比和39.03的每秒检测帧数,相比多种语义分割算法均具有更高的检测精度和速度。     

基于铆钉表面缺陷检测的语义分割网络研究

本文基于U-net++基本网络结构,结合铆钉表面缺陷检测的特点,设计了一个语义分割网络模型。首先,对标注数据集进行模糊标签处理,增强了网络对缺陷的学习能力,有效解决了铆钉缺陷边界确定难的问题。然后,考虑到铆钉语义层次的特点,对原始网络结构进行剪枝,减少下采样的次数,以满足系统对实时性的要求。最后,设计了复合损失函数,以促进小样本缺陷的学习速度,解决了采用单一交叉熵损失函数在缺陷较小的数据集中收敛慢的问题。在对比试验中,本文提出方法均展现出较好的效果。     

基于语义分割网络的小样本表面缺陷检测

传统工业产品表面缺陷的检测很多时候都依赖于人工肉眼去识别,这严重降低了产品的生产速度,在一定程度上阻碍了社会生产力的进步.为了提高检测效果,降低人工成本,提出了一种基于语义分割网络UNet的小样本表面缺陷检测方法,该方法在UNet网络基础上作了两个方面的改进,在UNet网络基础上加入BN层,将UNet网络和残差网络结合...     

基于深度学习的混凝土表面缺陷检测方法

运用深度学习对物体表面缺陷进行检测已经成为了一种越来越受关注的自动化检测方法。针对混凝土表面缺陷,我们设计了一种两段式的学习网络。第一部分是从原始图像的各层特征图中逐像素的学习特征以完成对图像的像素分割,并进行上采样还原至原图像大小。第二部分是对图像中是否存在缺陷做出判断。实验结果表明,该方法分割准确率高,鲁棒性强,适合于混凝土表面缺陷检测。     

基于无监督学习的无线网络性能异常检测方法

在无线网络的实际运营中,性能异常检测主要依靠人工规则和阈值,对网络容量和覆盖等进行判断,检测手段单一,难以适应复杂多变的无线网络变化趋势。针对该问题,就无线移动网络性能异常的诊断识别问题,给出了三类通用的检测方法,分别为基于统计特征的异常检测、基于密度的异常检测以及基于聚类的异常检测,并选取现网性能指标数据,对三种算法进行评估分析,结果表明,基于聚类的异常检测算法在对无线网络诊断识别上效果最好。     

基于HALCON的刹车片尺寸和表面缺陷检测系统

针对刹车片尺寸和表面缺陷人工检测效率低下的问题,文中提出了一种基于机器视觉软件HALCON的检测系统。该系统充分利用了刹车片的形态学和灰度值特征,运用边缘提取和局部阈值分割算法,定位出刹车片外边缘,最终计算出刹车片尺寸,并标记出缺陷位置。通过对200张图像样本进行测试,检测系统将尺寸误差控制在0.47%,刹车片缺陷检查的误判率为1%。该系统运行高效稳定,满足了实际需求。     

基于子空间重构的无监督时间序列异常检测

时间序列异常检测旨在寻找时间序列中不符合预期的数据,为相关人员提供有价值的信息,一直以来都受到学术界和工业界的广泛关注。然而,现有时间序列异常检测方法大多忽略了复杂数据中的多种模式,不能充分利用已有模式信息进行有效的特征学习,造成检测效果不理想。为此,本文提出了一种基于子空间重构的无监督时间序列异常检测模型。首先,将原始时间序列转换至低维潜在空间,利用高斯混合模型在潜在空间聚类,将原始时间序列分割为多个独立子空间。之后,各个子空间训练子模型,实现多模式捕获。最后,通过各个子模型重构,实现异常检测。该模型在UCR和MIT-BIH的6个数据集上的检测效果显著地优于已有方法,证明了方法的有效性。     

基于迈克耳孙干涉仪的表面焊接缺陷检测

焊接表面缺陷是评价焊接质量的重要指标,针对现有检测方法测量精度较低的问题,设计了一种基于光学相干测距原理的焊接表面缺陷检测系统.首先,基于迈克耳孙干涉仪的原理,利用宽带激光扫描焊接表面的一点,以采集参考臂和测量臂的干涉光强.然后,通过采集的光强确定被扫描点对应的干涉光谱.最后,计算该光谱对应的光程差,从而确定被扫描点相对参考镜的轴向高度.实验结果表明,该系统的轴向测量精度能达到10 μm,横向分辨率能达到13 μm,可以精确识别表面气孔、漏焊、错边等焊接缺陷,准确测量焊缝的几何形状并判断焊缝的成形情况.     

基于SURF算法的产品表面缺陷检测研究

针对产品表面正确性的快速自动无损检测问题,提出了利用垂直投影法确定旋转步长来获取序列图像的方法,并将一种针对尺度旋转不变性（SIFT）改进的SURF算法应用到此方面,该算法通过计算积分图像和 Hessian 矩阵大大提高了特征点检测的速度,节省了图像匹配时所用的时间,并提高了算法的实时性。首先通过确定旋转步长来获取标准序列图库,其次通过SURF算法寻找最优匹配位置,最后通过相关度的计算来判别各区域是否有缺陷。实验表明,在对待检测图像和标准序列图像库中的5幅图像匹配时SURF算法比SIFT算法大约节省了2.6 s,显然,把SURF算法应用于序列图像中匹配可以大大节省缺陷检测时所用的时间。     

YUV空间中基于稀疏自动编码器的无监督特征学习

现有无监督特征学习算法通常在RGB色彩空间进行特征提取,而图像和视频压缩编码标准则广泛采用YUV色彩空间。为了利用人类视觉特性和避免色彩空间转换所消耗的计算量,该文提出一种基于稀疏自动编码器在YUV色彩空间进行无监督特征学习的方法。首先在YUV空间随机采集图像子块并进行白化处理,然后利用稀疏自动编码器进行无监督局部特征学习。在预处理阶段,针对YUV空间亮度和色度通道相互独立的特性,提出一种将亮度和色度进行分离的白化措施。最后用学习到的局部特征在大尺寸图像上进行卷积操作从而获得全局特征,并送入图像分类系统进行性能测试。实验结果表明：只要对亮度分量进行适当的白化处理,在YUV空间中的无监督特征学习就能够获得相当于甚至优于RGB空间的彩色图像分类性能。     

基于图像尺度空间的几何不变特征点提取算法

图像特征点的提取是实现抗几何攻击数字水印算法的重要步骤，所提取的特征点是否鲁棒，将直接影响抗几何攻击水印的鲁棒性．Harris—Laplace角点检测方法是一种多尺度抗几何攻击角点提取方法，但计算比较复杂．将Harris．Laplace角点检测方法进行改进，把直接分析图像局部灰度值的角点提取方法与图象尺度空间的思想相结合，并兼顾多尺度的不同权值，则既可以保证角点抵抗一般几何攻击的鲁棒性，又减少计算复杂度的，根据此思路提出了加权平均Harris-Laplace角点检测方法来提取特征点．实验结果表明，该算法提取的图像特征点不仅具有很好的抵抗图像裁剪、几何缩放能力，而且计算复杂度明显低于相同重复检测率的Harris—Laplace角点检测算法．     

基于组合特征和HSI颜色空间的阴影检测

为了更有效地检测视频序列中的阴影,提出基于组合特征和HSI颜色空间的阴影检测算法.对提取的前景,先采用扩展的不变矩和Gabor小波变换分别抽取待识别区域的全局特征和局部特征来建立组合特征向量,再通过建立的HSI空间的阴影颜色模型来准确检测出目标的阴影.实验结果表明,该算法具有良好的阴影检测效果.     

基于特征解耦的无监督水下图像增强

水介质的吸收和散射特性致使水下图像存在不同类型的失真,严重影响后续处理的准确性和有效性。目前有监督学习的水下图像增强方法依靠合成的水下配对图像集进行训练,然而由于合成的数据可能无法准确地模拟水下成像的基本物理机制,所以监督学习的方法很难应用于实际的应用场景。该文提出一种基于特征解耦的无监督水下图像增强方法,一方面,考虑获取同一场景下的清晰-非清晰配对数据集难度大且成本高,提出采用循环生成对抗网络将水下图像增强问题转换成风格迁移问题,实现无监督学习;另一方面,结合特征解耦方法分别提取图像的风格特征和结构特征,保证增强前后图像的结构一致性。实验结果表明,该方法可以在非配对数据训练的情况下,能够有效恢复水下图像的颜色和纹理细节。     

基于改进YOLOv3算法的带钢表面缺陷检测

针对热轧带钢表面缺陷检测中存在的检测速度慢、检测精度低等问题,提出了一种改进的YOLOv3算法模型.使用加权K-means聚类算法来优化确定先验框参数,提高先验框（priors anchor）与特征图层（feature map）的匹配度;同时,调整YOLOv3算法的网络结构,融合浅层特征与深层特征,形成新的大尺度检测图层,提高网络对带钢表面缺陷的检测精度.实验结果表明,改进后的YOLOv3算法在NEU-DET数据集上平均精度均值达到了80%,较原有的YOLOv3算法提高了11%;同时检测速度保持在50fps,优于目前其它深度学习带钢表面缺陷检测算法.     

基于密集特征融合的无监督单目深度估计

针对无监督单目深度估计生成深度图质量低、边界模糊、伪影过多等问题,该文提出基于密集特征融合的深度网络编解码结构。设计密集特征融合层(DFFL)并将其以密集连接的形式填充U型编解码器,同时精简编码器部分,实现编、解码器的性能均衡。在训练过程中,将校正后的双目图像输入给网络,以重构视图的相似性约束网络生成视差图。测试时,根据已知的相机基线距离与焦距将生成的视差图转换为深度图。在KITTI数据集上的实验结果表明,该方法在预测精度和误差值上优于现有的算法。