基于机器视觉的药片表面字符检测的研究

针对目前药片表面字符缺陷检测难的情况,提出了一种字符缺陷检测算法。该算法根据字符的灰度值特性对Gamma映射函数进行了改进,结合γ=0.8和γ=1.2两种曲线特征,较好地分离出了药片表面字符的特征。同时,根据字符的几何特征,可以准确识别出字符存在的缺陷。实验结果表明,该算法具备较好的检测效果,检测准确率为92%。该算法在工业生产中具有一定的实用价值,可以降低药片检测的成本,提高检测效率。     

空指针引用缺陷分类假阳性识别方法

针对静态测试中空指针引用缺陷假阳性问题,提出一种空指针引用缺陷分类假阳性识别方法。挖掘空指针引用缺陷知识,对空指针引用缺陷知识进行预处理,生成空指针引用缺陷数据集;通过基于粗糙集理论属性重要性的ID3算法分类空指针引用缺陷数据集,分类结果有假阳性空指针引用缺陷实例和真实空指针引用缺陷实例两种;根据分类结果对静态测试中的空指针引用缺陷进行假阳性识别,确认真实的空指针引用缺陷。该方法对十个基准程序和基于主流静态测试工具FindBugs的空指针引用缺陷检测方法相比,空指针引用缺陷假阳性降低率平均为25%,减少了24%的空指针引用缺陷确认。实验结果表明,该方法在静态测试方面能有效降低缺陷确认开销,提高空指针引用缺陷检测效率和稳定性。     

基于改进SSD算法的光伏组件缺陷检测研究

无人机自动化巡检是解决大型分布式光伏系统运维需求的有效方案。无人机航拍产生大量光伏板图像数据,需要算法实现更高的识别精度和更快的识别速度,为此提出一种改进的SSD算法,用于检测光伏组件缺陷。新算法在原有SSD算法中嵌入注意力机制,并使用迁移学习策略提高检测速度和准确率,能够对光伏组件普遍存在的玻璃破碎、受光面发黄、灰尘等进行自动识别和分类。通过与Faster-RCNN、YOLO3、VGG16-SSD算法对比,实验结果表明,改进SSD算法在识别准确率、召回率和检测速度方面表现良好,能有效提升光伏组件缺陷识别的效率。     

基于机器视觉方法的焊缝缺陷检测及分类算法

对于在工业生产中如何有效地识别薄壁金属罐焊缝的缺陷及其类型判别的问题,提出了一种基于机器视觉技术的自动化焊缝缺陷检测及分类算法。利用混合高斯模型,提出了一种改进的背景差分法,主要用来提取焊缝缺陷的特征区域。在此基础上,以不同缺陷类型的缺陷面积、亮度及波形特征等差别作为依据,对焊缝缺陷进行了分类。实验检测结果表明,算法可以对主流的薄壁金属制罐焊缝缺陷类型进行准确的识别和归类,达到了96%以上的精确度。同时,算法的运算时间也能够满足在实际生产中的高实时性需求。     

铁轨表面缺陷的视觉检测与识别算法

提出一种铁轨表面缺陷的视觉检测与识别算法。设计铁轨表面缺陷视觉检测与识别系统的总体结构,基于水平投影法提取铁轨表面区域,采用逻辑操作组合检测结果,使用 BP 神经网络进行缺陷分类。实验结果表明,该算法能准确地检测与识别铁轨表面的疤痕和波纹擦伤这2种缺陷,分类正确率分别达到99%和95%。     

基于光电检测技术的电缆表面缺陷实时监测系统研究

基于光电检测技术开发了电缆表面缺陷实时监测系统。在硬件结构方面,系统采用半环形LED白光源照射电缆,利用线阵CCD相机采集电缆表面图像。在软件算法方面,提出一种改进的ROI (Region of Interest)算法精确定位电缆区域,利用一种基于改进双边滤波的图像差分算法建立背景模型,改进一种基于CV-Kmeans区域分类自适应滤波窗口算法来凸显电缆表面缺陷特征。研究结果表明,基于光电检测技术研发的电缆表面缺陷实时监测系统的识别能力较高,整体监测准确率不低于97.0%。     

基于机器学习的刀具表面缺陷检测及分类方法

刀具在生产的过程中,由于人员、机器、环境等多方面原因,刀具的表面会出现各种缺陷,如划痕、碰撞凹坑、涂层剥落和边缘豁口;这些缺陷会严重影响刀具的质量和外观,对于刀具的缺陷检测,目前主要采用人工目检的方式,人工检测方法效率和准确率都比较低;为解决上述问题,提出一种刀具缺陷的自动化检测及分类算法;针对刀具图像的预处理,提出了一种基于双边滤波的降噪方法和基于差分的对比度增强算法;对于刀具的缺陷检测任务,提出了基于图像差分的缺陷检测算法;对于缺陷的分类任务,提出了一种基于SVM的分类算法,即通过提取缺陷区域的形状、纹理等特征来训练SVM分类器;最后对提出的缺陷检测及分类算法进行实验,结果表明算法的缺陷检出率达97.2%,分类准确率可达94.3%;算法能够很好地满足工业需求,可以替代人工实现刀具缺陷的自动化和高效率检测。     

基于机器视觉的钢带缺陷检测研究

针对钢带缺陷传统的人工检测效率低、误检率高以及危险程度大等问题,提出了一种基于机器视觉的缺陷检测和识别的研究方案。采用工业摄像头采集钢带生产线上的视频图像,通过中值滤波和小波分析相结合的方法去噪,并用Canny算子实现边缘检测,再以缺陷图像的圆形度等特征完成识别分类,从而实现对钢带缺陷的检测和统计。实验结果表明,该缺陷检测方案能够实时准确有效地识别钢带缺陷,证明了该方法的可行性。     

基于深度森林的人机协同工业制品表面缺陷识别

针对工业制品缺陷分类存在的样本图像少、分类准确性不足和模型训练耗时长等问题,提出了一种基于深度森林的人机协同分类模型.该模型首先通过深度森林对样本图像进行初步识别,经多粒度扫描模块和级联森林模块提取特征,得到初始预测结果并分离出识别困难的样本图像;然后采用人机协同的策略,采用人工方式随机标注部分识别困难的样本,再利用K近邻算法对剩余识别困难的样本进行再分类.通过在公开数据集以及生产线实际采集的真实数据上的实验结果表明,改进的分类模型在工业制品表面缺陷数据集上的性能优于基线算法.     

轴承表面缺陷类型识别算法

针对生产和装配过程中轴承表面缺陷检测传统方法的不足,提出一种新的轴承表面缺陷类型识别算法。首先改进 Canny 算子以提高轮廓识别度,将 Sift 算法应用于缺陷区域提取,对轴承表面缺陷图像和无缺陷图像进行 Sift 图像匹配以定位缺陷区域,运用像素点的异或运算以精确提取缺陷区域。选择部分 Hu 矩值和几何特征值准确描述缺陷区域,将其作为 BP 神经网络算法的输入,从而最终识别出缺陷类型。实验表明,该方法提高了识别率,且具有非接触、速度快、精度高和抗干扰能力强等优点,较好地实现了轴承表面缺陷类型的检测。