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。     

基于深度学习的核桃外壳缺陷检测

实现了对核桃外壳缺陷的快速识别,提高基于机器视觉的核桃分选效率,提出了一种基于改进的YOLOv5s核桃外壳缺陷检测方法.YOLOv5s网络中大量采用卷积核为3的卷积进行特征提取,为降低网络的计算量,提出利用深度可分离卷积代替残差网络中所采用的卷积核为3的卷积,提高对核桃外壳检测的速度.此外,为了保证精度能够满足要求,采用了改进的均值聚类对检测框进行初始化,提高生成检测框的质量,进而提高核桃外壳缺陷检测精度.由于聚类方法相对整个网络结构计算量较小,因此对核桃外壳检测的速度影响较小.通过实验对比分析,改进后的YOLOv5s能够快速识别出核桃外壳缺陷,而且识别精度基本保持不变.     

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.     

基于Faster R-CNN的玻璃瓶缺陷检测技术

自动化检测玻璃瓶缺陷技术的实现,能够减少人力物力的需求量,提高玻璃瓶缺陷检测结果的准确性以及可靠性.将深度学习网络应用到玻璃瓶缺陷检测技术上,分别使用VGG16和Resnet101作为缺陷检测模型中Faster R-CNN的特征提取网络,在不同的锚框的尺度下对缺陷检测效果进行分析.实验结果表明,Faster R-CNN...     

复合材料气瓶分层缺陷的红外检测数值模拟

针对复合材料气瓶分层缺陷不易被检测的问题,利用ANSYS有限元方法、红外检测技术,对复合材料气瓶分层缺陷进行红外模拟分析. 研究了复合材料气瓶分层缺陷不同直径、深度、厚度对复合材料气瓶表面热像温度差、热像对比度的影响. 结果表明,随着缺陷直径和缺陷厚度的增大,热像温度差峰值和热像对比度峰值也随着增大,说明分层缺陷越容易被检测出;随着缺陷深度的增大,热像温度差峰值和热像对比度峰值与深度呈反比关系,说明分层缺陷深度越小时,缺陷越容易被检测出.     

基于改进YOLOv3算法的布匹疵点检测

基于视觉的布匹疵点检测具有检测效率高和成本低的优势.目前基于深度学习的目标检测算法得到了广泛应用,但是布匹疵点检测具有检测小型疵点准确率低、计算量大和检测速度慢的缺陷,因此提出一种改进YOLOv3的布匹疵点检测算法.该算法使用轻量级卷积神经网络GhostNet作为YOLOv3算法的特征提取网络,加快网络的计算速度,同时...     

基于深度学习的输电线路耐张线夹倾斜缺陷定量检测

针对输电线路中耐张线夹的倾斜缺陷，未能准确地去模糊处理所获取输电线路图像的问题，提出了基于深度学习的输电线路耐张线夹倾斜缺陷定量检测方法.结合冲击波滤波器与双边滤波器对获取的输电线路图像去噪处理，通过正则化方法估计模糊核.同时利用引导滤波器分解去模糊后的输电线路图像来获得细节层与基本层，分别进行伽马变换.将预处理后的输电线路图像输入至深度学习网络中，提取耐张线夹的倾斜缺陷特征，完成对缺陷的定量检测.实验结果表明，所提方法的准确率可保持在90%以上，且召回率、AP值及F₁指标均较高，具有良好的检测性能.     

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。     

手机屏幕轻微划痕检测方法

针对手机屏幕等产品光滑表面轻微划痕的自动检测问题,提出一种基于分类网络+Attention U-Net的小目标分割与微小缺陷检测方法.论述基于经典的U-Net网络进行光滑表面缺陷检测的数据集准备、语义分割网络构建、评估指标、损失函数、正则化方法以及初始化方式,分析应用经典的U-Net神经网络对微小缺陷误检测与漏检测的原因;给出在分类网络中加入分割网络以及加入Attention机制对U-Net网络进行改进的方案;搭建分类网络+Attention U-Net以改善小目标分割与微小缺陷检测效果.结果表明:提出的改进网络方案对手机屏幕轻微划痕等微小缺陷检测的像素准确率达到0.997,能够很好地满足准确检测手机屏幕轻微划痕的实际需求,也能为瓷砖等产品的光滑表面的轻微划痕与裂纹检测提供有益参考.     

基于SSD模型的钢带表面缺陷检测系统设计

钢带在加工过程中会产生斑块、开裂和划痕等表面缺陷.为提高钢带缺陷检测效率,设计了基于深度学习目标检测网络SSD的检测系统.利用CCD摄像头采集钢带图像传入PC机,通过灰度变换和小波滤波对图像进行预处理,然后加载SSD预训练权重,对钢带图像进行在线检测.实验结果显示,将SSD模型用于检测钢带缺陷,可以取得85％以上的全类...