钢板表面缺陷在线视觉检测系统研究

本文设计了一套智能无损检测系统以实现对钢板表面缺陷的在线检测.检测系统由新型LED光源,明暗域结合成像光学系统、高速高分辨率线阵CCD器件、FPGA嵌入式处理系统和缺陷自动分类子系统等组成.系统对钢板表面的气泡、夹杂、结疤、划伤和压痕等主要缺陷进行无损检测,并基于Bayes决策理论,实现缺陷的自动分类功能.本系统在实验室检测指标为:宽度最大为1 800 mm,运行速度不大于1.5 m/s,振动幅度小于1 mm,横纵向检测分辨率为0.8 mm×0.8 mm,尺寸检测误差不大于1 mm.     

基于机器视觉钢板表面缺陷检测技术研究

钢板表面缺陷严重降低钢板的耐磨性、耐高温性、耐腐蚀性、抗疲劳强度等性能,因此,钢板表面缺陷的检测就显得尤为重要。本文基于机器视觉采用Matlab图像处理技术对钢板表面缺陷进行检测识别。在不同光照条件下采集钢板表面图像,分别进行图像处理,讨论分析不同光照条件和去噪方法对检测结果的影响。首先对缺陷图像进行预处理,然后将预处理后的图像二值化及形态学图像处理,使图像背景与对象图形分离,提取出表面缺陷特征,计算缺陷的面积和周长。通过对图像细化和骨架提取线性缺陷,计算出缺陷长度,并且通过对像素的标定,将像素单位转化为长度或面积单位。实验结果表明该方法具有很好的可靠性和重复性。     

基于Faster R-CNN的钢板表面缺陷识别研究

针对热轧钢板表面缺陷检测中存在小目标缺陷检测精度差、整体检测速度较慢的问题,提出了一种基于Faster R-CNN改进的缺陷检测方法.针对钢板表面的缺陷特征,对Faster R-CNN的特征提取网络进行修改,从而得到更好的缺陷检测效果.实验证明,改进过的网络对于缺陷检测的速度和小缺陷检测的准确度有很好的提高.     

带钢表面质量在线检测系统研究与设计

为了提高现有带钢表面质量检测技术在缺陷检测精度与识别率上存在的问题,设计了基于机器视觉技术的带钢表面质量自动检测系统,从系统整体构成、视觉传感系统、软件开发及检测与分类算法等方面进行了深入地研究,实现了包括图像的采集、传输、缺陷的实时检测和定位,缺陷的分类以及缺陷的存储与报警等功能;实验结果表明,该系统可以对带钢表面常见的边裂、氧化、结疤等几十种不同类型的缺陷进行精确地检测;与现有的缺陷检测技术相比,该系统中设计的算法在检测精度和实时吞吐量上都具有很大优势.     

带钢表面缺陷在线检测系统的设计与实现

带钢表面质量的优劣将直接影响到最终产品的性能和质量。本文研究了一种基于图像处理和模式识别的带钢表面缺陷检测系统,它采用了特殊的软件设计结构和模块化设计的理念,实验表明该软件对钢板表面进行在线式缺陷实时检出,具有较高精度,而且系统对缺陷数据管理并提供报表及打印功能。     

球粉板表面缺陷在线检测

为快速准确检测球粉板表面缺陷,对球粉板表面光学特性不一致性和缺陷类型的多样性等关键问题进行了分析,以利于有效地解决关键问题;论文提出采用基于模板图片创建矫正模板来解决被测板材表面光学特性变动的均化问题、自适应萃取二值化阈值解决二值化阈值整定问题,以提高软件的执行鲁棒性;通过自定义算法实现了细线型缺陷修补,有效地提高了划痕类缺陷检测的精度和可靠性;提出了筛查模型实现了符合缺陷检测精度要求的噪点筛除;通过大量现场实验验证了本系统能够正确高效实现球粉板表面缺陷检测定位标识和面积测量功能,以及达到了目标检测精度;本系统能很好地胜任球粉板在线表面缺陷检测;实验证明检测系统非常高效精准,极大地提高了生产线自动化能力。     

一种钢板空气隙缺陷的巴克豪森检测方法

基于巴克豪森效应,提出了一种钢板空气隙缺陷无损检测的方法。根据趋肤效应,改变交变磁场的频率对钢板进行逐层扫描检测,通过检测在不同激励频率下钢板表面接收到的巴克豪森信号,分析信号扫频曲线是否出现拐点,从而实现对钢板内空气隙缺陷的检测。对Q235钢板试样进行缺陷检测实验,结果表明该方法可实现对钢板内部空气隙缺陷的检测和定位。     

基于机器视觉的钢卷尺表面缺陷检测系统设计

针对钢卷尺生产过程中表面缺陷检测效率低下的问题,构建一套应用于实际工业环境下的基于机器视觉的钢卷尺表面缺陷在线检测系统。首先,设计一种实验检测平台用于获取钢卷尺表面的图像;然后,通过图像分割的数字图像处理手段准确定位钢卷尺区域轮廓;最后,采用基于灰度值的模板匹配算法、边缘检测算法及颜色聚类方法对预处理后的图像进行匹配和特征计算,实现对目标物体和区域图像的快速定位和特征提取。结果表明：该检测系统的正确率达95.83%,平均检测速度达5.025 秒/根,基本代替了人工检测,为钢卷尺表面检测提供了一种检查正确率和效率较高的新方法。     

钢板表面低对比度微小缺陷图像增强和分割

目的 环境干扰及光学元件不稳定等因素往往会造成钢板表面图像照度不均,钢板表面的微小缺陷具有图像灰度不均、对比度低、形态微小等特点,给后续图像分析和缺陷识别带来因难。为此,提出一种钢板表面低对比度微小缺陷图像增强和分割算法,以消除照度不均并突出缺陷信息,从而有效分割缺陷目标。方法 采用小波-同态滤波算法进行图像增强处理,即先利用小波变换对图像进行分解,再基于同态滤波对小波低频系数进行图像灰度修正,同时对高频系数进行高通滤波,然后将处理后的小波低频系数和高频系数进行重构得到增强的图像,从而达到消除照度不均、增强缺陷细节信息的目的。最后利用最大类间方差法（Otsu法）确定自适应阈值提供给Canny算子进行边缘检测。结果 采用本文算法对钢板表面多类型低对比度表面微小缺陷进行研究,有效消除了光照不均;单一的Otsu阈值分割和Canny算子难以有效检测这些缺陷,而本文Otsu-Canny算法的正确检测率达96%。结论 采用小波-同态滤波进行图像增强处理后,再利用Otsu-Canny算法对钢板表面多类型、低对比度的微小缺陷进行边缘检测取得了良好效果。     

基于红外图像技术的钢构材料无损检测方法的研究

红外辐射成像检测由于其非接触性、快速性、检测面积大等特点,成为当前主要的无损检测方法。基于传热学理论知识建立了热量在钢板中传导的数学模型,并利用红外无损检测技术对含有缺陷的钢板进行研究。通过求取图像矩阵方差判断缺陷,采用直方图和形态学方法对缺陷图片进行预处理,提取缺陷的几何特征。使用阈值分割方法将缺陷从背景中分离出来,达到了图像的平滑滤波、缺陷中心定位、边缘检测等目的。提出了计算缺陷面积和周长的算法,完成对缺陷面积和周长等几何特征的检测。该研究方法及结论对钢板红外无损检测具有一定的指导意义。     

基于小波变换的轧辊表面缺陷在线识别

轧辊表面缺陷检测是轧辊辊型在线检测系统中的一个重要问题,它直接影响着带材产品的质量,传统的检测方法和数据分析方法已经很难适应现代的轧制生产.本文提出了一种对轧辊表面缺陷进行在线识别的方法,针对传感器在轧辊表面缺陷处输出信号的不同类型,着重论述了一种基于小波变换的缺陷识别方法,通过对实测信号的处理及分析,证明这该种方法是可行而有效的.     

改进注意力机制的型钢表面微小缺陷检测方法

针对型钢表面缺陷种类多样、微小缺陷占比较大导致的检测效率低、检测精度差的问题,提出了一种基于双重多尺度注意力机制的表面缺陷检测方法DMSA-YOLOv3,实现型钢表面多尺度缺陷快速精确检测。构建了基于通道和空间的双重多尺度注意力模型DMSA,对不同尺度特征进行筛选融合,强化小尺度缺陷的特征权重;改进了YOLOv3模型,使用深度可分离卷积对DarkNet53特征提取主干网络实现轻量化处理,提高检测速度,并构建多尺度长距离上下文特征提取层,使用4种不同扩张率的并行空洞卷积替代全局池化,提高模型对小尺寸缺陷的特征提取能力;构建了融合DMSA模型和改进YOLOv3模型的DMSA-YOLOv3缺陷检测模型,并应用于型钢表面多尺度缺陷检测。实验结果表明：DMSA-YOLOv3模型具有97.6%的多类别平均检测精度和55.3?frame/s的检测速度,与YOLOv3模型相比分别提升了4.7个百分点和24.5?frame/s;最小可检出20×20像素（约10×10?mm2）缺陷,与YOLOv3模型相比提高了6.25倍,有效提升了型钢表面缺陷的检测精度与检测速度。     

带钢缺陷图像的自动阈值分割研究

文章根据带钢缺陷图像的特点,提出了基于灰度统计特性的图像边缘检测方法,结合纹理检测、聚类分析,实现了对带钢缺陷图像的自动阈值分割。实验结果表明,该方法具有在精度和速度方面的优势,适合对带钢表面图像的缺陷进行实时检测。     

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)、...     

表面缺陷检测的机器视觉技术研究进展

物体表面缺陷检测技术是工业质检领域的一项重大课题,对工业生产有着重要的意义。针对近些年基于机器视觉的表面缺陷检测技术进行梳理总结。首先,列举了几种缺陷检测在工业领域的应用场景;其次从特征提取和分类算法的角度简要阐述了传统的机器视觉方法;重点探讨了缺陷检测中常用的经典神经网络结构和缺陷检测算法的最新发展,并介绍了两种常用的缺陷检测算法优化方式;最后,分析了缺陷检测领域面临的三大挑战：实时性问题、小样本问题和小目标问题,目的是为工业表面缺陷检测的研究提供有益的参考和脉络梳理。     

表面缺陷检测综述

基于机器视觉的表面缺陷检测技术已经广泛地应用在视觉检测各个领域中,它是确保自动化生产中产品质量的一个非常重要的环节。然而表面缺陷检测技术仍然面临着缺陷和非缺陷区域之间的低对比度,噪音和细微缺陷的相似性,检测速度慢和识别精度低等难题。为此,给出了近年来表面缺陷检测技术的最新进展。将表面检测技术分为3类：统计法、频谱法和模型法。对几种典型的表面缺陷检测技术进行了深入比较,包括特征提取、识别算法和算法性能,并分析了方法有效性的原因。最后,总结了表面缺陷检测技术面临的挑战和未来的发展趋势。     

改进Mask R-CNN算法的带钢表面缺陷检测

在带钢的生产过程中可能会因为生产工艺的问题导致带钢表面出现缺陷,传统的带钢表面检测方法存在检测速度慢、检测精度低等问题。在计算机深度学习快速发展的今天,为实现带钢表面缺陷快速有效的检测,提出改进的掩码区域卷积神经网络（Mask R-CNN）算法,使用[k]-means II聚类算法改进区域建议网络（RPN）锚框生成方法;同时调整Mask R-CNN模型的网络结构,去掉掩码分支,提高了模型的缺陷检测速度。实验在NEU-DET数据集的5种缺陷检测中将原算法的均值平均精度（mAP）从0.810?2提升到0.960?2,检测速度达到5.9?frame/s。并且能够实现对缺陷目标的检测和实例分割,以便研究人员观测缺陷的大小和形状,从而改进工艺。相比于目前其他深度学习的缺陷检测算法,更能满足带钢的生产检测要求。     

小样本条件下的带钢表面缺陷检测

针对工业场景下带钢表面缺陷样本少、缺陷尺寸大小不一等问题, 提出一种适用于小样本条件下的带钢表面缺陷检测网络. 首先, 算法以YOLOv5s框架为基础, 设计一种融合注意力机制的多尺度路径聚合网络作为模型的颈部, 增强模型对缺陷目标的多尺度预测能力; 其次, 提出一种自适应解耦检测结构, 缓解小样本情况下分类和定位任务之间的矛盾; 最后, 提出一种融合Wasserstein距离的边界框回归损失函数, 提升模型对小目标缺陷的检测精度. 实验表明, 在构建的小样本带钢表面缺陷数据集上, 本文模型的检测性能优于其他小样本检测模型, 更适用于工业环境下的小样本缺陷检测任务.     

Effect of bright and shade,and luminance difference of defect on defect detection in appearance inspection utilizing peripheral vision

This study considers the effect of bright and shade, and luminance difference of defects on defect detection in appearance inspection utilizing peripheral vision experimentally. Specifically, bright and shade of defect, luminance difference of defect, surface luminance of defect (evaluation index of the difficulty of defect detection, which was proposed in the previous study), and location of defect are designed as experimental factors, and their effects on defect detection rate are evaluated. As a result, it is clarified that the defect detection rate of the shade defects is lower than that of the bright defects, even if the surface luminance is at an identical level. It is also clarified that the defect detection rate of the luminance difference of 10 cd/m² becomes lower even if the surface luminance is at an identical level. Furthermore, these two trends are particularly remarkable for defects detected in the peripheral vision. Based on the results, in actual appearance inspection utilizing peripheral vision, it is necessary to take measures to detect the shade defects and/or the luminance difference of approximately 10 cd/m².