结合全卷积网络和K均值聚类的球栅阵列焊球边缘气泡分割

针对在球栅阵列（BGA）气泡检测中,由于图像干扰因素的多样性导致焊球存在边缘气泡与背景之间灰度级接近,从而造成焊球气泡分割结果不精确的问题,提出了一种结合全卷积神经网络（FCN）和K均值（K-means）聚类分割的焊球气泡分割方法。首先根据所制作的BGA标签数据集搭建FCN,通过训练该网络得到合适的网络模型,再对待测BGA图像进行预测处理得到图像的粗分割结果;然后对焊球区域映射提取,通过同态滤波法提高气泡区域辨识度,再使用K-means聚类分割对图像进行细分割处理,得到最终分割结果图;最后对原图焊球及气泡区域进行标注识别。将所提出的算法与传统BGA气泡分割算法进行对比,实验结果表明,所提出的算法对复杂BGA焊球的边缘气泡分割精确,图像分割结果与其真实轮廓高度匹配,准确度更高。     

Faster_RCNN用于工业火花塞图像焊缝缺陷检测

工业火花塞图像数据量大,焊缝宽度小且肉眼不易分辨.传统火花塞焊缝图像缺陷检测依赖人工手动完成,任务繁琐,个人经验占比大,检测标准不一,导致图像检测结果有误差.针对上述情况,对工业X射线火花塞焊缝图像进行了深入研究,提出了一种基于快速区域卷积神经网络(Faster_RCNN)的目标检测方法对焊缝图像精确定位并提取.由于火花塞焊缝是直线,利用图论方法对焊缝进行直线检测,之后提取出焊缝,校正倾斜焊缝直线并计算出其高度,最后加入焊缝判断系统,筛选出不合格的火花塞图像.实验结果表明,工业X射线焊缝缺陷检测准确率高于93%,误判漏判率低,有效缩短检测时间,提高工业检测效率,对实际工业火花塞智能检测有重要意义.