基于神经网络的冷轧带钢表面缺陷检测

带钢表面缺陷是影响带钢质量的重要因素,对带钢进行表面缺陷检测对提高带钢质量具有重要意义。传统人工检测的方法往往不能得到令人满意的检测结果。为此,提出了采用基于前馈神经网络(FFN)的方法对在线带钢的表面缺陷进行检测,检测结果令人满意,表明了该方法的有效性。     

基于卷积神经网络的钣金件表面缺陷分类识别方法

针对国防军工、电子信息等领域对多批次、小批量钣金零件快速、智能制造的需求,提出了一种基于卷积神经网络的少样本钣金件表面缺陷分类识别方法。首先基于卷积神经网络的网络架构,搭建出了经典的分类模型,并在实验中进行了参数修改,以达到实际生产中的表面缺陷检测要求;其次利用缺陷分割提取的方法获得卷积网络训练模型的样本集,并进行数据增强。实验结果表明,该模型的准确度可达97.02%;最后利用窗口滑移检测方法使待检测零件与模型进行对比,实现了对缺陷的分类和缺陷位置的标记。经实验验证,该方法的准确性和实时性均可满足实际工业生产要求。     

基于神经网络的电视显示屏表面缺陷检测

随着工业4.0的智能化时代迈进,为实现电视显示屏表面缺陷自动化检测,提高提高检测效率,该文引入基于神经网络的电视显示屏表面缺陷检测方法.该检测方法在电视显示屏图像的预处理、模型设计、模型训练和检测过程中,表现出优异的特征提取能力,以及强大的目标分类性能,能够有效完成对电视显示屏表面缺陷的检测,满足实际生产过程中的缺陷检...     

冷轧带钢表面缺陷在线检测软件体系结构设计

为解决带钢表面缺陷在线检测系统的信息支持和后续处理的问题,遵循软件工程的设计思想,提出了一套完整的冷轧带钢表面缺陷在线检测系统的软件体系结构设计方案,建立了系统的层次结构模型、功能结构模型及其后台数据库,通过可视化程序设计和关系数据库实现了检测软件的系统功能.该系统不仅能够识别分类各种缺陷,而且可通过数据库保存各类数据信息,便于对各类信息数据进行查询和管理,并解决了系统算法更新的问题.该体系结构的设计为在线检测缺陷分类识别的进一步研究奠定了基础,具有一定的实用价值.     

基于布尔神经网络的瓷砖表面缺陷检测

本文在二进布尔神经网络基础上,推广得出连续特征值的布尔神经网络,扩大了布尔神经网络的应用范围,由于内部运算的布尔特性,与传统的神经网络相比,学习与分类的速度大为提高,并且各节点具有较为明确的物理意义,具有潜在的工程实用价值,该方法成功用于瓷砖表面缺陷检测,结果令人满意。     

基于卷积神经网络的织物表面缺陷分类方法

针对织物缺陷检测时疵点种类繁多且传统人工检测方法漏检率高的问题,提出了一种基于卷积神经网络的织物表面缺陷分类方法。因卷积神经网络（CNN）训练时参数多、样本量大,且极易陷入过拟合,利用微调卷积神经网络模型Alexnet对织物疵点图像进行特征提取,初始化采用原网络的参数而非随机初始化参数;再针对特定目标下的训练样本对网络参数进行微调;最后利用softmax回归算法进行预测分类。分别用三种方法和两种织物进行测试,结果表明：针对特定目标微调后的Alexnet网络,在两类织物测试中均能达到95%以上的分类准确率。     

基于级联神经网络的型钢表面缺陷检测算法

深度学习在缺陷检测方面具有优越性能,然而在工业应用过程中由于缺陷概率低,无缺陷图像的检测过程占据了大部分计算时间,严重限制了整体上的有效检测速度。针对上述问题,提出一种基于级联网络的型钢表面缺陷检测算法SDNet。该算法分为两个阶段：预检阶段和精检阶段。预检阶段采用基于深度可分离卷积（DSC）以及多尺度并行卷积的轻量化ResNet预检网络,判断型钢表面图像是否存在缺陷;精检阶段以YOLOv3作为基准网络对图像中的缺陷进行准确分类与定位,并在主干特征提取网络以及预测分支中引入改进空洞空间金字塔池化（ASPP）模块以及对偶注意力模块,以提升网络的检测性能。实验结果表明,SDNet在1 024像素×1 024像素图像上的检测速度达到每秒120.63帧,准确率达到92.1%。与原YOLOv3算法相比,所提算法的检测速度是原YOLOv3算法的3.7倍,检测精度提高了10.4个百分点,可应用于型钢表面缺陷的快速检测。     

基于HMT模型的带钢表面缺陷检测研究

为了减少带钢表面缺陷检测系统需要处理的数据量,提高系统检测效率,提出基于隐马尔科夫模型的带钢表面检测方法。该方法在检测系统获取图像数据后,先用相对简单的方法分割出图像中的缺陷可疑区域,然后根据带钢表面图像的特点,采用隐马尔可夫树模型(HMT)进行数据分析,并改进HMT模型参数,完成多尺度分割效果融合,获得最终的分割结果。在对带钢缺陷测试样本集的分割中,采用HMT模型为带钢表面图像建立背景和缺陷两个模型,尺度3缺陷检出率达到94.4%,相比高斯混合模型提升了5.5%,误检率达到18.8%,比高斯混合模型降低了2%。     

一种带钢表面缺陷识别与分类的研究——基于混合加权特征和RBF网络的方法

本论文中,采用灰度直方图特征、灰度共生矩阵特征和小波变换特征的提取方法,三种特征方法的结合能够很好的实现分类的目的。在提取特征向量的基础上,本研究基于MATLAB6.5环境下的神经网络工具箱,采用了兼顾识别速度与分类准确性的RBF神经网络分类器对带钢表面缺陷进行识别与分类,此算法可以作为高速生产线的带钢表面缺陷的实时检测优选方案。     

基于图像处理的带钢表面缺陷检测改进算法的研究

由于在带钢的生产过程中会出现多种表面缺陷,因此本文中研究了一种基于图像处理的带钢表面缺陷检测改进算法对表面缺陷进行有效检测。算法中对边缘检测、图像分块、连通域分析等过程进行了改进,并提出了一种针对带钢图像的图像二值化算法,相较于传统的缺陷检测算法,本文中的检测算法在保证处理速度的同时,可以使处理的图像细节更完整清晰,缺陷定位更准确,且总体的检测正确率在90%以上,为后续缺陷分类提供更加准确的数据支持,可有效解决带钢表面缺陷检测问题,对企业生产过程中的技术改善起到至关重要的作用。     

基于卷积神经网络的焊缝表面缺陷检测方法

针对工业激光焊接中,采用传统方法进行焊缝质量检测效率低下的问题,提出了一种基于卷积神经网络的工业钢板表面焊缝缺陷检测方法;首先基于卷积神经网络,搭建了一个多分类模型框架,并分析了各层中所用到的函数及相关参数;然后基于工业数控机床和工业相机进行了焊缝数据采集,并对这些数据进行了分类、增强、扩增等前期预处理;最后基于数控机器轴,采用滑动窗口检测的形式采集实际待测图像,并通过实验对比了传统的机器学习算法在该类图像数据中的性能评估;经实验证实,通过卷积神经网络训练得到的多分类模型,焊缝缺陷检测精度能达到97%以上,且每张待测图像的测试时间均在300 ms左右,远超机器学习算法,在准确性和实时性上均能达到实际工业要求。     

LVQ神经网络在磁瓦表面缺陷分类中的运用

在基于磁瓦表面缺陷图像直方图、纹理、投影和形状的特征提取的基础上,提出了一种用LVQ神经网络进行缺陷分类的方法,对现场采集到的6种主要缺陷类型进行了试验。试验结果表明,基于LVQ神经网络的分类器训练与分类的时间短,多缺陷种类分类时准确率高。     

基于BP神经网络的墙地砖缺陷检测技术研究

基于人工分拣的墙地砖质量检测环节不仅造成人力资源的浪费,更无法保证质量检测的准确度,影响了墙地砖产品的档次提高。为了节省成本,进一步提高墙地砖的生产效率,本文利用颜色通道下的共生矩阵特征作为图像视觉特征,并充分利用图像的纹理信息和颜色信息,训练出一个适用于墙地砖缺陷分类的BP神经网络。通过实验结果的数据分析,基于BP神经网络的墙地砖缺陷检测技术能够对多种尺寸规格、颜色、图案的墙地砖得到较好的检测结果。     

基于粒子群优化BP神经网络的超声波缺陷位置预测

海洋设备的无损检测对于保障设备安全使用至关重要,由于设备所处的海洋环境特殊,要实现对海洋设备缺陷位置的准确估计难度较大.论文提出了一种基于粒子群优化BP神经网络(PSO-BP)预测设备缺陷位置的方法.通过模拟了海洋检测环境,用钢板作为实验对象,用超声波探伤仪对缺陷钢板进行了数据采集,获取了水下钢板的实时数据.通过粒子群算法对BP网络进行优化后对数据进行分析,对比缺陷出现的实际位置和预测位置,证明了粒子群优化的BP神经网络对于超声波检测的缺陷出现位置具有较好的预测效果.     

基于卷积神经网络的火花塞表面缺陷检测研究

以特征提取为核心,进行火花塞表面缺陷检测时,主要依托于矩不变量获取表层特征信息,使得检测结果mAP值较低。因此,应用卷积神经网络,提出一种新的火花塞表面缺陷检测方法。针对采集的火花塞表面图像,应用非下采样剪切波变换原理进行预处理。应用霍夫圆理论建立规划策略,规划表面缺陷圆形区域。依托于卷积神经网络结构,建立火花塞表面缺陷特征提取模型,提取每个规划区域包含的深层特征信息。运用RPN算法对提取特征进一步分析,输出表面缺陷检测结果。实验结果表明：所提检测方法的mAP值为0.96,与基于SVM、基于KNN、基于MLP的检测方法相比,mAP值提升了15%,21%和27%。     

基于BP神经网络软件测试缺陷预测技术研究及应用

针对软件缺陷预测模型预测准确率较差问题,指出了软件缺陷预测和软件测试缺陷的预测概念区别,根据影响软件缺陷发现因素构建BP神经网络软件测试预测模型,通过工程实践历史样本数据训练该模型获得预测能力提升,并经过假设检验方法证明预测结果符合以软件测试实际发现缺陷个数为中心点的正态分布.实验结果表明:随着真实训练样本数据增加,预测结果估计值与实际值的误差逐步缩小,估计值的方差逐步减小,预测的准确性逐步提高.     

基于改进YOLOv5的带钢表面缺陷检测

针对目前热轧带钢表面缺陷检测算法精度不高,检测速度慢的问题,提出了一种基于改进YOLOv5算法的网络模型。首先,引入Coordinate Attention提高模型特征提取能力;其次,对Neck结构进行改进,提出CA-BiFPN网络结构减少信息特征流失,实现多尺度信息表征;最后,使用EIOU Loss作为边框回归损失函数,提高定位精度,加快检测速度。实验结果表明,在NEU-DET数据集上相较于原YOLOv5算法平均精度均值(mAP)提高4.3%,召回率提高5.5%,精度提高2.2%,检测速度为111.1 fps,实现了识别精度与检测速度的良好均衡,具有一定的应用价值。     

基于STMR-CNN的热轧带钢表面缺陷检测

为了提高工业热轧带钢表面缺陷检测的检测精度,将深度学习研究领域的前沿技术应用于带钢表面缺陷检测.提出了一种以Swin Transformer作为骨干特征提取网络,级联多阈值结构作为输出层的热轧带钢表面缺陷检测算法.将Transformer结构应用于带钢表面缺陷检测领域,与单纯基于卷积网络的深度学习目标检测算法相比,能够达到更加精确的检测效果.首先,使用Swin Transformer作为骨干特征提取网络代替常规的残差网络结构,增强特征网络对隐含在图像中的深层语义信息的摄取能力.其次设计多级联检测结构,设置逐级的IoU阈值,实现检测精度与阈值提升的权衡.最后使用柔性非极大值抑制(Soft-NMS)、FP16混合精度训练和SGD优化器等训练策略加速模型收敛和提升模型性能.实验结果表明:本文算法在工业热轧带钢数据集(NEU-DET)上相较于YOLOv3、YOLOF、DeformDetr、SSD512和SSDLit等深度学习算法都有更好的检测效果,在裂纹(crazing, Cr)、夹杂(inclusion, In)、斑块(patches, Pa)、麻点(pitted surface, PS)、...     

基于神经网络的零件缺陷机器视觉识别系统

零件缺陷检测是保证零件使用安全的重要手段。传统的零件缺陷检测法需要有操作人员参与其中,易受主观因素影响,检测的效率及精度得不到良好的保证。而采用机器视觉技术的检测法可实现实时在线的自动检测,无需人工参与,这就极大的提高了生产效率。本文以小轴承表面为研究对象,针对微小轴承的表面结构、尺寸、检测精度和缺陷特征,设计了基于BP神经网络的零件缺陷机器视觉在线自动检测系统,其采用机器视觉技术,构建了BP神经网络检测识别模型,采用进行图像特征提取的间接识别方法,对微小轴承缺陷进行实时检测。实验结果证明了人工神经网络模型的检测能力的可靠性。     

基于轻量级网络的钢铁表面缺陷分类

缺陷分类是钢铁表面缺陷检测的重要内容.在卷积神经网络(CNN)取得良好效果的同时,网络日益增长的参数量耗费了大量计算成本,为缺陷分类任务在个人计算机或低算力设备上的部署带来了巨大的挑战.针对上述问题,提出了一种新颖的轻量级网络模型Mix-Fusion.首先,通过组卷积和通道洗牌两种操作,在保持精度的同时有效降低计算成本...