轮胎X光0号带束层接头检测定位量化算法的研究

轮胎成型过程中受设备及生产工艺等因素影响,因搭接量不同会造成0号带束层接头缺陷。本论文根据轮胎X光图像的纹理分布特点以及缺陷区域的灰度分布特征提出了轮胎X光0号带束层接头检测定位量化算法。MATLAB的仿真分析表明,该算法能够准确对0号带束层接头缺陷进行定位并量化接头大小,其误判率为3.4%,漏判率为2%。该算法克服了人工评定的不足,使评判过程更加科学化、客观化、规范化,缺陷检测结果满足工业要求,为后续的产品分级提供了技术及数据支持。     

轮胎X射线0号带束层接头检测定位量化算法的研究

轮胎成型过程中受设备及生产工艺等因素影响,因搭接量不同会造成0号带束层接头缺陷。根据轮胎X射线图像的纹理分布特点,以及缺陷区域的灰度分布特征,提出了轮胎X射线0号带束层接头检测定位量化算法。MATLAB的仿真分析表明,该算法能够准确对0号带束层接头缺陷进行定位,并量化接头大小,其误判率为3.4%,漏判率为2%。该算法克服了人工评定的不足,使评判过程更加科学化、客观化、规范化,缺陷检测结果满足工业要求,为后续的产品分级提供了技术及数据支持。     

基于深度学习网络U-Net的轮胎带束层分割算法研究

轮胎成型工艺中的带束层贴合情况影响成品轮胎的质量,而现有的带束层缺陷检测算法存在检测精度低,速度慢的缺点。为了快速精确的分割带束层,提出了一种基于U-Net的带束层分割算法。首先对带束层进行鼓面去除预处理,然后结合带束层区域的特点,对比基于数学形态学的传统图像分割方法与深度学习语义分割网络U-Net,对带束层进行分割。研究结果表明,两种方法都可以很好地标识带束层区域和背景区域,但U-Net稳定性更强,可以满足工程中精度与实时性的要求。     

基于YOLOX模型的轮胎X射线图像中0°带束层接头检测

针对现有轮胎X射线图像中0°带束层接头检测算法易受轮胎自身花纹影响,造成较严重的误报和漏报的问题,提出基于YOLOX模型的轮胎X射线图像中0°带束层接头检测方法;利用投影直方图定位带束层区域,缩小检测范围,提高检测速度;在自建数据集上测试所提方法的检测性能。结果表明,所提出的方法能够准确定位0°带束层接头,误报率、漏报率分别小于1.15%、 0.59%。     

安瓿瓶视觉检测关键技术研究与应用

目前我国药包生产企业普遍采用质检员抽检的方式对药品进行质量检测,人工抽检存在漏检、误检、效率低下等诸多弊端。本文提出采用基于机器视觉的检测技术对安瓿瓶的尺寸和缺陷进行在线全检,实验结果表明,该方法明显提高了检测效率和检测质量。     

基于机器视觉的表面缺陷检测研究综述

表面缺陷是工业产品生产中不可避免的问题,如果不及时发现并处理,将会影响产品的表观质量及性能,导致企业生产效益下降。基于机器视觉的表面缺陷检测方法在一定程度上克服了传统人工检测方法的检测效率低、误检及漏检率高的问题,在现代化的工业生产中得到了广泛的应用。本文归纳总结了近年来机器视觉表面缺陷检测领域的研究成果,分析了国内外缺陷检测技术的研究现状,阐述了机器视觉缺陷检测系统的组成及工作原理,综述了视觉缺陷检测所涉及到的相关理论和应用方法,比较了主流机器视觉检测方法的优缺点,并指出了现有机器视觉缺陷检测技术存在的问题,对以后的发展趋势进行了展望。     

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。     

基于自编码神经网络的Single-Pass聚类事件识别算法

针对传统Single-Pass聚类算法存在的缺陷，提出了一种基于自编码神经网络的Single-Pass聚类算法。通过多个深层的隐藏层对原始数据进行降维，以更好地提取出原始数据的特征信息；并通过对边缘文本重计算来降低误检率，提高聚类精度。实验结果表明，该算法相比传统Single-Pass算法具有更高的聚类准确度，解决了聚类结果受数据顺序影响的问题。     

梳棉棉网中棉结的在线视觉识别

针对国内棉纺织企业采用目光检测法检测半成品中棉结含量存在检测精度低、速度慢等问题,应用计算机视觉技术,设计棉结在线识别系统.采样得到的棉网图像,经图像预处理消除光照不匀和噪声等因素后,采用一维最大熵法结合初始分割阈值和面积阈值的方法来识别棉结,并将识别结果与人工目测结果进行对比.研究表明,本文的识别方法具有识别精度高、速度快、误检率和漏检率低等特点,符合在线检测连续性要求.     

采用视觉显著性和深度卷积网络的鲁棒视觉车辆识别算法

针对传统采用人工特征的机器学习算法难以满足复杂交通场景下鲁棒车辆识别需求的问题,以视觉显著性理论为依据,提出一种利用显著图的车辆候选提取方法.在深度学习的知识框架下,提出了一种采用深度卷积网络(deep convolutional neural networks,DCNN)的鲁棒视觉车辆识别算法.该DCNN分类器采用卷积层和池层构建2组隐层,并直接以灰度图片像素作为输入,经由随机梯度下降算法进行训练,最后以全连接层输出车辆识别判断.选择KITTI标准库作为测试数据库进行了车辆识别试验.结果表明,所提出的车辆识别算法可实现98.13%的检测率和1.77%的误检率,总体性能优于已有算法.     

漆包线缠绕缺陷的实时检测与修正方法研究

针对线圈绕线设备在进行高精度绕线作业时,容易出现间隙错误、搭接错误等缠绕缺陷问题,为提高线圈绕制质量,提出了一种实时检测线圈缠绕过程中出现不同绕制状态并进行修正的方法. 该方法在分析线圈的绕制特点基础上,给出了漆包线缠绕缺陷的实时检测算法,并设计了相应的视觉检测系统和绕线设备的控制系统. 该方法基于1×3模板提出了对预处理后的效果图轮廓点的提取算法;基于轮廓点拟合的绕制状态检测给出了修正方法,从而实现了线圈绕制状态的实时检测,并根据视觉实时检测结果修正错误的绕制状态. 通过视觉检测系统稳定性试验、系统准确率试验和正交试验的验证,该方法明显增加了线圈绕制的紧密性,使线圈绕制成品的生产效率及质量得到了有效提高.      

基于特征组合分析的主泵异常检测方法

为了解决传统阈值法在核电站主泵状态数据异常检测中的误判、实时性差等问题,提出一种基于单维状态数据特征分析和多维状态数据特征分析相结合的方法。对于单维状态参量,使用AR(auto regressive)模型拟合获得模型参数,再结合SOM(self organizing maps)神经网络的量化结果得到单维状态参量随时间变化的过渡概率序列;对于多维状态参量,使用OPTICS(ordering points to identify the clustering structure)算法聚类生成不同的模式组;然后根据两类特征提取结果综合分析,得到异常检测模型;最后将检测模型应用于主泵状态数据异常检测,并与其他方法进行比较。实验结果表明此模型在准确性、实时性上更具优势。     

基于改进YOLOv5的O型密封圈缺陷检测方法

针对O型密封圈缺陷难以人工识别的问题,提出一种基于改进YOLOv5的表面缺陷自动检测方法。在数据预处理阶段,采用半自动标注方法减少人工标注成本,同时将拼接图片改为9张以实现Mosaic数据增强方法。在网络预测层引入标签平滑方法以减少模型过度依赖标签。在骨干网络中添加卷积注意力机制模块,强化有效信息,使骨干网络提取更加细致的局部特征信息。同时,针对缺陷类型尺度变化大的特点,引入剪枝的双向特征金字塔网络,以解决大小缺陷在特征提取过程中的丢失问题。实验结果表明,基于改进的YOLOv5与原YOLOv5相比,O型圈表面缺陷检测平均精度均值提高了4.26%,并且检测速度在25 ms之内,能够满足实际生产需要。     

基于累积图像特征点匹配的智能皮带测速方法

在煤炭工业生产运输过程中可能出现皮带打滑问题影响设备运行,现有的基于传感器的测速方法可能因为贴合问题出现误测.提出一种基于视觉的智能皮带测速方法,针对皮带低纹理特征点不足的问题,通过累积多帧特征点对估计运动模型.同时,实际场景可能出现的视频抖动问题可以通过背景特征点估计出偏差,并进行补偿.另外,图像坐标系下的检测结果可以根据标定得到的摄像机内外参数转换到世界坐标系下皮带运动速度.实验结果验证了方法的有效性和准确性.该方法实现了煤炭运输皮带的智能测速,可用于皮带打滑故障的及时报告.     

基于模型的宏观特性提取特征点研究与实现

针对目前3D模型特征点提取的运行效率和可靠性问题,提出了一种基于模型的宏观特性提取特征点的算法。在传统的特征点提取算法基础上加入了特征点的宏观检测,优化了特征点的提取效果。实验结果表明,利用该算法可以提高特征点提取的准确性和可靠性,对于存在大量噪声的模型有较好的效果。     

基于多尺度一维卷积神经网络的弯管冲蚀损伤智能检测方法

针对高压管汇损伤需要提高检测效率和准确率的问题,提出一种基于多尺度一维卷积神经网络(multi-scale one-dimensional convolutional neural network, MS-1DCNN)的弯管冲蚀损伤智能检测新方法,即用多尺度卷积层代替传统的单一尺度卷积层。在MS-1DCNN模型中,把通过模拟实验所得弯管冲蚀损伤原始时域信号作为多尺度一维卷积神经网络的输入,这样能解决传统方法依赖人工提取特征和专家知识的问题;然后,通过多尺度卷积层和池化层的交替连接对输入信号进行特征提取;最后,经由输出层输出弯管冲蚀损伤分类结果。模型试验结果表明：基于MS-1DCNN弯管冲蚀损伤检测方法可以有效检测出弯管冲蚀损伤,且平均检测准确率达到99.18%。研究可为高压管汇冲蚀损伤智能检测提供一种新思路。     

基于SqueezeNet和YOLOv2的交通违法证据评价

针对交通监控反向抓拍交通违法图像预判率高的问题,提出了一种基于迁移学习的多尺度交通违法证据评价方法.构建了以SqueezeNet为特征提取层、YOLOv2为目标检测层融合高分辨率细粒度特征的检测网络.通过卷积神经网络算法训练该模型学习抓拍车辆图像特征,识别图像中唯一交通违法车辆,再次训练识别驾驶员所在中心区域.在保证特...     

基于深度学习的砂岩组分显微图像识别

识别砂岩中的石英、长石和岩屑对判断沉积环境具有重要意义,但传统的人工识别方法存在主观性强、对经验依赖程度高等问题。本文利用深度学习、卷积神经网络等技术构建了一种基于Faster R-CNN目标检测算法的砂岩显微组分图像识别方法,实现了正交偏光下对薄片图像中石英、长石、岩屑三种组分的智能识别,三种组分平均识别准确率为89.28%。为了验证模型的可靠性,实验对比了不同算法和特征提取网络,结果表明：Faster R-CNN目标检测算法的识别效果优于YOLO V3、YOLO V4、YOLO V5s,ResNet50特征提取网络的表现效果优于VGG16。采用ResNet50特征提取网络的Faster R-CNN目标检测模型优势显著,它可以更好满足岩石薄片的识别要求,为传统的人工方法提供智能化技术方案。     

一种点线特征融合的双目同时定位与地图构建方法

基于特征点的视觉同时定位与构图方法依赖于图像质量以及可提取的特征点数量,且稀疏的特征点不能直观表达环境的结构信息。为此,提出一种将图像的点特征和线段特征融合的双目同时定位与构图方法。算法前端提取图像的点特征和线段特征,进行特征跟踪并完成相机位姿求解,从跟踪线程中分离出特征提取线程,进一步提升了前端线程的帧率。后端采用集束调整对局部地图进行优化,利用基于词袋模型的闭环检测以抑制系统的累积误差。最后结合点线特征共同构建环境地图。在公开数据集上进行了实验,与当前主流算法相比,提出的算法在保证定位精度的同时能够获得更丰富的环境地图,具备较好的鲁棒性与实时性。