链条的X射线图像缺陷检测方法

通过对链条X射线图像的预处理、图像轮廓处理,研究了链条X射线图像缺陷提取和检测算法,并对算法的可行性和准确性进行了验证,实现了链条缺陷的识别.研究结果为链条缺陷自动化检测系统的实现奠定基础.     

热轧板带表面缺陷检测系统设计与研究

针对热轧板带生产线相对恶劣的生产环境及表面缺陷检测精度低的问题,设计了一套热轧板带表面缺陷在线检测系统,深入研究了系统构成、图像去噪处理、缺陷的检测和分类、特征提取和缺陷识别。本文首先对图像进行形态滤波去噪处理,提出了一种基于融入熵的BING检测算法,采用P-relief特征检测和多分离器集成识别算法对热轧板带多种缺陷图像进行处理。实验证明本文算法能够有效地实现缺陷图像的检测和精确的分类。     

基于人工智能的竹条缺陷检测及分选技术应用研究

为助力福建竹产业智能化转型升级,将计算机视觉、轻量化图像增强算法等人工智能技术应用在竹加工的竹条缺陷检测、颜色分选等环节,优化竹条分选机光学成像采集装置和抓取装置,解决传统竹条分选机存在的缺陷检测准确率低、识别缺陷种类少、人工复检率高等问题,研制出新一代智能分选机,目前已推广到国内数十家竹木生产企业。     

基于深度学习One-stage方法的焊缝缺陷智能识别研究

目前基于深度学习的卷积神经网络在对焊缝缺陷射线图像进行智能识别时,多采用基于候选区域的two-stage方法,检测速度难以满足实时性要求。针对该问题,提出基于深度卷积神经网络的one-stage焊缝缺陷识别定位算法,将整张图像输入网络,并直接在输出图像上标定目标缺陷位置及类别。通过采用特征金字塔、减小网络深度、引入跳跃连接卷积块和K-means算法等方法对YOLO网络进行改进,提高了网络对焊缝缺陷识别定位的准确率和速度。实验结果表明:该方法比two-stage识别定位算法和YOLO原网络在检测速度和检测精度方面都有所提升,单个图像的平均识别准确率为94.9%,召回率为94.1%,处理时间为19.58 ms,具备焊缝缺陷在线实时识别的工程应用价值。     

一种基于机器视觉的螺纹缺陷检测方法

针对目前螺纹检测精度较低,在线检测实现较难的问题,提出了一种基于机器视觉的螺纹缺陷检测方法.通过工业CMOS相机在线采集螺纹零件图像,经图像预处理、二值化后,进行螺纹的边缘提取及缺陷检测等.该算法由Matlab编程实现.实验结果表明,该螺纹缺陷检测方法能有效识别无螺纹、少螺纹、螺距不规则等外观缺陷,且一个螺纹的检测时间在300ms以内,满足检测要求.     

利用X射线对原木内部缺陷扫描识别方法的研究

由于原木木质部分与内部缺陷部分对X射线的吸收能力不同,在X射线底片上形成的影像也不一样,根据一定的识别算法分析,从而对原木内部缺陷进行测定。本文的研究内容既是利用X射线的扫描图像,提出一种缺陷识别算法来检测原木内部缺陷。     

基于机器视觉的微小零件表面缺陷检测研究

针对人工检测微小零件表面缺陷存在的不足,提出一种基于机器视觉的微小零件表面缺陷检测方法。首先分析微小零件检测内容的特点,通过机器视觉专用软件HALCON提供的图像滤波、阈值分割算子提取缺陷区域,并设计了一种自动选择平滑滤波尺寸与阈值的最优取值算法,再采用改进的边缘检测算法准确提取表面的边缘位置,将图像以边缘为界分割成不同的区域,运用区域形态学方法对候选缺陷进行筛选,最后使用区别特征实现缺陷分类与标记。实验结果表明,该方法能够稳定的进行微小零件表面缺陷的识别与检测,缺陷识别率达到97.05%,达到预期检测目标。     

基于模糊模式识别的焊缝缺陷图像检测

以埋弧焊管焊缝的X射线检测图像为对象,通过图像处理、特征提取和模糊识别实现了对缺陷的识别。为提高识别精度与实时性,采用主成分分析法对采集图像的像素矩阵进行了主元分析,结合模糊识别中的模糊C均值聚类算法对圆形缺陷和线形缺陷进行识别。相比于传统的通过提取缺陷的若干几何特征分类识别的方法,此方法具有算法简单、占用内存空间小、识别准确率高、实时性强等特点。最终平均识别率可达到90.93%,能够较准确地对焊缝缺陷进行分类识别。     

GFRP层压板脱黏缺陷的红外脉冲热波成像检测

针对玻璃纤维增强塑料层压板脱黏缺陷的红外无损检测问题,首先制备了一种人工脱黏缺陷试样,采用红外脉冲热波成像检测技术对脱黏缺陷进行检测,分析了层压板脱黏区和非脱黏区的表面热信号瞬态响应过程,以图像信噪比和标准化对比度作为评价指标,定量对比了热信号重构、复调制Zoom-FFT、改进的独立分量分析和主分量分析4种热图重构算法在脱黏缺陷识别中的作用.在此基础上,提出基于热信号重构增强的主分量分析算法,并验证了该算法在脱黏缺陷识别中的作用.研究表明:4种热图重构算法均可提高层压板脱黏缺陷定量识别能力,其中以热信号重构对提高缺陷区与非缺陷区对比度最为显著,主分量分析对热图噪声的抑制能力最强,基于热信号重构增强的主分量分析能够显著提高深度分别为0.5mm、1.0mm、1.5 mm的脱黏缺陷定量识别能力.     

改进YOLOv4算法的GFRP内部缺陷检测与识别

为实现航空玻璃纤维复合材料内部分层缺陷的智能识别,搭建了一种多自由度光纤耦合式太赫兹时域光谱系统,对带有模拟内部分层缺陷的样件进行检测,对检测结果图像进行了数据筛选、数据增强和数据标注,构建目标检测所用数据集.同时,提出了一种改进的YOLOv4算法,提高了缺陷智能识别的精度.实验结果表明,改进的YOLOv4算法在测试集得到91.05％ 的准确率和92.02％ 的召回率,分别较原YOLOv4算法提高了5.73％ 和8.51％,具有更强的特征提取能力,并展现出良好鲁棒性,明显消除了应用原YOLOv4算法的错检、漏检现象.     

基于动态阈值和分层检测的图像缺陷识别算法的研究与应用

针对高精度印刷图像的质量检测中的检测速度和检测精度问题,本文提出了一种基于动态灰度阈值和分层检测的高精度印刷品质量检测的实时的图像缺陷识别算法.算法考虑到人的视觉感官特性,首先将所用的灰度阈值对采集到的印刷品图像进行缺陷的初步识别和标定,然后再按照高精度图像检测要求采用分层检测的方法进行搜索,解决了以往图像检测缺陷识别中的检测效果和速度不理想的问题.经过在高精度印刷图像的质量自动化检测系统中的应用,算法的速度和效果得到验证.     

一种仿射变换的印刷品缺陷检测方法

针对传统印刷品缺陷检测方法速度慢、检出率低的问题,提出一种仿射变换的快速检测方法.首先利用SURF(speeded-up robust feature)算法进行特征点匹配,并采用RANSAC(random sample consensus)算法剔除误配点后得到高纯度的匹配点对,然后利用最小二乘法拟合得到变换参数,最后通过图像差分和后处理,识别并标记出缺陷所在位置.经过试验验证,相对模板匹配和分层检测算法,该方法无论在算法速度还是缺陷检出率上都有很大提高.     

X射线检测焊缝的图像处理与缺陷识别

根据射线检测焊缝图像的特点,设计了图像去噪、增强的算法;针对焊缝缺陷对比度差、光照不均、纹理较多等不利因素,在去除焊缝背景情况下,设计了动态划分焊缝区域算法,利用局域阈值法分割提取出对比度不均的缺陷;通过对焊缝缺陷特征分析,选取缺陷识别的特征参数;建立了用于焊缝缺陷识别的模糊神经网络模型。试验结果表明,图像预处理和缺陷提取是成功的,提出的识别算法能够提高介于模糊边界模式分类时的识别率,对焊缝缺陷识别的效果优于分类识别法。     

叶片气膜孔加工缺陷的DR数字成像自动检测方法

气膜孔作为涡轮叶片中重要的冷却结构之一,对提高航空发动机冷却效率、降低燃烧室温度乃至提升发动机服役寿命等具有重要意义.然而,在实际加工过程中受外界因素干扰极易出现气膜孔未打通、打偏及损伤内壁等内部缺陷.传统检测手段采用单一透照角度的X射线胶片照片法对其内部缺陷进行识别,但存在检测效率低、测量误差大、缺陷漏检误判率高等弊端.为此,提出了一种基于X射线数字成像技术的气膜孔缺陷自动检测方法,通过研究DR数字图像与胶片图像的等效性、透照角度对缺陷识别的影响规律及检测工艺优化、基于深度学习神经网络缺陷自识别等关键技术等,实现对叶片气膜孔加工缺陷的高精度检测与智能识别.     

基于共生矩阵和颜色特征的泡罩包装缺陷检测

提出了一种基于视觉的泡罩包装缺陷检测方法．首先将表面图像分成泡罩区和底板区两部：令．在泡罩区先采用基于HIS颜色空间的合成颜色特征矢量提取出药片边缘,计算药片属性,然后采用改进的闵可夫斯基距离法进行药片颜色匹配．底板区通过提取基于共生矩阵的纹理特征,采用反向传播神经网络分类器进行缺陷识别,实验证明：泡罩区采用的算法不仅药片边缘定位精度高,而且可有效检测药片的污物、色斑等缺陷;底板区采用的识别算法能够检测各种纹理的复杂缺陷．     

基于深度学习网络模型与大数据自动训练的工件缺陷识别算法研究

针对工件缺陷种类多样和特征不明显,造成机器视觉识别精度不稳定的问题,提出了一种基于深度学习网络模型与大数据自动训练的工件缺陷识别算法,并以软件工程来实现其功能。首先,对存在缺陷的工件进行取样,采集缺陷图像,建立识别标准。然后,基于深度神经网络模型和缺陷标准图像,进行模型训练,采取分批训练,逐步迭代收敛的方式,达到准确识别工件缺陷目的。最后,基于Python语言与TensorFlow框架实现深度神经网络模型,并将模型移植到C++平台调用,嵌入到商业版本软件中,实现算法的落地应用。实验测试结果显示,相对于已有的缺陷识别技术而言,本文算法具有更高的识别准确性,可为机器视觉软硬件设备提供技术基础。     

热态重轨表面缺陷在线检测方法及关键技术

针对热态重轨轧制时表面缺陷检测困难,研制了一种基于机器视觉的热态重轨表面缺陷实时检测系统。根据重轨辐射和光照特性进行了光学选型,利用多个线阵CCD相机并行多角度采集得到热态重轨全表面图像,通过图像自适应预处理得到满足缺陷检测要求的图像。针对重轨表面缺陷结构连续性引起的传统图像分割算法难以实现缺陷提取的情况,提出了图像像素线线间相关度互检验算法,并利用像素去差异化和方差统计运算提取完整缺陷,此方法在该类问题的识别效果上明显优于传统边缘识别算法。系统在某集团轨梁厂的实际应用中取得了良好的效果。     

基于机器视觉的SOP芯片引脚缺陷检测研究

随着微电子元器件向着微小化发展,传统的人眼目检较之于在线机器视觉检测技术对于芯片缺陷的识别而言,精度低、效率低且成本高,无法满足当今芯片检测行业的高精度、高速度的要求。针对SOP芯片引脚缺陷进行基于机器视觉的检测识别方法的研究,通过一系列图像处理算法的运用,以模板匹配思想为主,以连通像素区域标记法为主要算法,采用MATLAB进行运算研究,可清晰地识别、提取出SOP芯片的各区域的特征,达到检测目的。     

基于连通域内部对称量的PCB堵孔缺陷检测算法及其实现

为了对PCB图像锡面堵孔缺陷进行识别,本文提出了一种基于对称量统计的检测算法,该算法通过计算出单个连通域内部孔洞的对称量来判断连通域内部孔洞是否趋于圆形,当对称量达到一定阈值则说明在当前连通域位置下连通域内部孔洞趋于圆形,进而说明PCB锡环完好,没有出现锡面堵孔缺陷.实验结果表明,本文算法能准确有效地检测PCB图像单个连通域内部孔洞对称量特征,最后标记缺陷位置并输出堵孔区域的中心坐标,可应用于PCB锡面堵孔缺陷的识别.     

G-YOLO:基于改进YOLOv5的嵌入式小目标缺陷检测算法

针对人工检测缺陷模式或YOLOv5等深度学习算法对工业产品的缺陷检测存在识别准确率低、模型参数规模大等问题,提出一种对微小缺陷端到端检测的嵌入式算法G-YOLO.该算法使用卷积核为3和卷积核为1的双层卷积FConv模块,改善了原单层卷积带来的参数量较大的问题;改进的轻量级跨阶段GSP模块融合坐标注意力机制用于主干网络中能够利用冗余信息实现廉价的线性操作和聚焦缺陷信息来增强特征,以提高网络对缺陷特征的提取能力;去除原YOLOv5的颈部模块,减少网络的参数量和提升网络检测速度.结果表明,G-YOLO嵌入式算法减少了模型大小,改善了缺陷检测的效果,较好地满足轻量化嵌入式模型的要求.