基于优化残差网络的复杂纹理表面缺陷检测

产品表面缺陷检测是工业自动化生产的重要环节,准确率是评价自动检测系统可靠性的主要指标。基于复杂纹理表面缺陷检测的特殊性以及对检测方法的实时性、通用性等要求,提出了优化骨干网络并使用迁移学习特征映射构建复杂纹理表面缺陷的检测方法。该方法通过优化残差网络模型并建立仿真数据集的方式进行迁移学习,以解决实际情况中复杂纹理表面产品数据集样本数量少、数据集制作困难、相似问题难以互相兼容等问题。实验结果表明,提出的方法可以准确地检测随机复杂纹理的人造木质板材表面缺陷,平均准确率可达99.6%。现有实验条件下单张人造木质板材的检测时间为305 ms,可以满足在线检测的实时性要求。研究结果可为基于深度学习的复杂纹理表面缺陷检测提供新的思路与理论参考。     

面向嵌入式平台的轻量级光学遥感图像舰船检测

针对现有基于深度学习的轻量级目标检测算法对复杂遥感场景图像中舰船目标检测精度低、检测速度慢的问题,提出了一种面向嵌入式平台的轻量级光学遥感图像舰船实时检测算法（STYOLO）。首先,针对主干网络内存访问成本较高的问题,利用高效网络架构ShuffleNet v2作为主干网络对图像进行特征提取,降低内存访问成本,提高网络并行度;其次,利用Slim-neck特征融合结构作为特征增强网络,以融合较低层级特征图中的细节信息,增强对小目标的特征响应,在多尺度信息融合区域施加坐标注意力机制,强化目标关注以提高较难样本检测以及抗背景干扰能力;最后,提出一种跨域迁移和域内迁移相结合的学习策略,减少源域与目标域的差异性,提升迁移学习效果。实验结果表明：基于光学遥感图像舰船检测公开数据集HRSC2016,与同类型快速检测算法YOLOv5s相比,所提算法的检测精度提高了2.7个百分点,参数量减少了61.77%,在嵌入式平台Jetson Nano上检测速度达到102.8 frame/s,能够有效实现对光学遥感图像中舰船目标的实时、准确检测。     

联合特征子空间分布对齐的标定迁移方法

近红外光谱分析技术近年来在各种领域的定性、定量分析等方面得到广泛的应用。多元标定技术则是光谱分析领域中最先进的技术,而环境条件、测量仪器或测量物质自身的变化,都可能导致多元标定模型不再适用于新样本的预测。重新标定和重新建模必然会浪费大量时间和资源。一种解决方案是标定迁移,将源域已有的标定模型扩展到目标域中,避免重复建模的代价。在化学计量学的相关文献中,绝大多数迁移方法都需要在两台仪器相同条件下都测量一组迁移标准样品,但在近红外光谱测量技术中,由于标准样品具有挥发等特性,使得构建仪器标定迁移方法的标准样品难以获得和保存。针对这些问题,提出了一种联合特征子空间分布对齐（JSDA）的标定迁移方法,此方法可以在从仪器没有标准样本的情况下建立标定迁移模型。JSDA首先建立源域和目标域数据特征的联合主成分分析（PCA）子空间;然后通过对齐映射在联合特征子空间中的源域特征分布和目标域特征分布来校正标定模型;最后,应用最小二乘模型构建校正后源域上的标定模型,该模型可直接用于目标域的标定。实验结果表明与已有成熟的标定迁移方法相比,JSDA在公开的真实数据集上的预测性能比较有优势,验证了该模型在实际应用中的有效性和优越性。     

基于拓展型特征金字塔的OLED像素缺陷检测方法

针对传统方式检测有机发光二极管（OLED）像素缺陷精度低以及成本高的问题,提出了一种基于拓展型特征金字塔网络（FPN）的喷墨打印OLED像素缺陷检测方法。首先对数据进行处理,获得喷墨打印OLED像素图像数据集,随后利用预训练模型ResNet18作为主干,选取其底层模块作为特征提取器,制定出更加适合打印像素缺陷的训练网络。通过将FPN进行拓展,使用具有丰富区域细节的大规模超分辨率特征来解耦像素缺陷检测,实现缺陷区域信息的获取与缺陷的像素级分割。实验中对比了不同方法在OLED像素数据集上的检测效果并评估了不同方法在几个缺陷类型上的性能。结果表明：所提出的方法对喷墨打印OLED像素缺陷的识别精度比直接使用FPN提升了5.5%（达到99.8%）,对缺陷区域的分割平均精度提升3.7%（达到88.8%）,且所提模型适用于小样本缺陷数据检测,具有研究价值和实践意义。     

基于密集卷积和域自适应的高光谱图像分类

针对常规的高光谱图像分类算法不能很好地解决不同图像中的频谱偏移的问题,提出了一种基于密集卷积和域自适应的高光谱图像分类算法,首先在源域中使用密集卷积进行深度特征学习,然后应用域自适应技术转移到目标域。目前的域自适应高光谱图像分类框架中常用卷积神经网络进行特征学习,但是当深度增加时会出现因梯度消失而导致分类精度下降的情况,因此本文通过引入密集卷积进行深度特征学习,提高域自适应高光谱图像分类的精度。在Indiana高光谱数据集和Pavia高光谱数据集上验证所提算法的有效性,整体分类精度分别为61.06%和89.63%,与其他域自适应高光谱图像分类方法对比,所提方法具有更好的分类精度。     

基于深度学习的红外目标成像液位检测方法

容器液位检测是工业生产及化工原料储存、运输过程中的重要环节,针对现有液位检测技术中传感器布置容易受空间限制,在高温高压、灰尘、潮湿等特殊环境下传感器寿命短等问题,提出了一种基于深度学习的红外目标成像液位检测方法.通过对容器红外图像标注数据集进行优化训练,得到可以准确识别容器内液体百分比含量的模型.首先,构建储罐液位标准数据集,并搭建基于Pytorch的深度学习目标检测框架.然后,在输入端对图像进行数据增强,调整模型的宽度和深度,优化训练检测模型.最后,采用特征金字塔网络和路径聚合网络结构融合不同尺寸特征图的特征信息,用联合交并比计算边界框的回归损失,并在后处理过程中引入加权非极大值抑制.实验结果表明,该模型具有较好的鲁棒性和识别效果,在交并比为0.5时的平均精度均值可达到0.804.     

基于PLS子空间对齐的2,6-二甲酚纯度迁移学习建模

采用近红外光谱对物质浓度进行准确的在线检测对于生产优化具有重要意义。建立检测模型需要从近红外光谱中提取相关信息,代表性样本越多,提取的信息越有效,所建模型的精度越高。随着产品纯度的提高,样本的区分度下降,样本的变异系数小,多样性不足,并且存在测量噪声以及化验室人工检测样品浓度值时的测量误差,会导致物质浓度与光谱之间缺乏相关性,传统的建模方法无法建立可靠的近红外检测模型。为了解决这个问题,提出了一种基于PLS子空间对齐的迁移学习建模方法,应用于2,6-二甲酚精馏提纯过程中产品塔高纯度产品的在线检测。在制备化工单体2,6-二甲酚过程中,存在副反应和未反应完全的杂质,生产反应后的物料要顺序经过不同的精馏塔,最后在产品塔获得纯度高于99%的产品,产品塔的质量检测尤为重要。由于产品塔检测点近红外光谱数据缺乏多样性,检测模型的泛化能力较弱。该研究采用偏最小二乘为2,6-二甲酚精馏提纯过程中不同检测点的数据集创建子空间,然后通过最小化其他检测点数据子空间与产品塔检测点数据子空间的布雷格曼（Bregman）散度,将其他检测点数据的子空间对齐到产品塔数据子空间,减小其他检测点数据子空间与产品塔检测点数据子空间的特征分布差异,既避免了投影到公共子空间产品塔检测点数据特征信息的损失,又能充分利用其他检测点数据的特征信息,然后在迁移后的子空间完成偏最小二乘回归建模,通过竞争学习加权策略确定最终的模型系数,从而提升产品塔检测模型的性能。在2,6-二甲酚纯度近红外检测数据集上进行了仿真验证,并探讨了迁移其他检测点不同数量的数据对产品塔检测模型性能的影响,产品塔检测模型的最大性能提升达到了52.19%,RMSEP值由0.059 4下降到0.028 4,与传统建模方法支持向量机回归和BP神经网络相比具有明显的优势。     

基于双流融合网络的单兵伪装偏振成像检测

单兵伪装目标与背景之间在颜色上有高度的相似性,目标具有高度复杂的姿态,而且存在遮挡问题,这些问题使得单兵伪装目标检测较传统目标检测有很大的挑战性。针对上述问题,提出基于偏振信息和RGB(Red, Green, Blue)信息的深度学习算法,同时构建单兵伪装目标偏振图像数据集CIP3K(Multicam型迷彩伪装数据集和Woodland型迷彩伪装数据集)。基于Faster R-CNN(Faster Region-Convolutional Neural Network)提出一种双流特征融合网络TSF-Net,其能够融合目标偏振特征信息和RGB特征信息。在CIP3K数据集上进行大量实验,用来测试TSF-Net模型与其他检测模型的性能。实验结果表明,相较于Faster R-CNN,TSF-Net模型在两个数据集上的平均检测精度分别提高了8.2个百分点和8.8个百分点,且优于一些主流目标检测模型。     

水热法制备Mo1-XWXS2合金材料及晶体结构的研究

提出一种基于无监督域适应的低空海面红外目标检测方法。首先利用图像翻译网络将源域图像翻译为目标域图像并共享标签。其次在YOLOv5s目标检测网络中使用梯度反转层优化网络提取特征的域间适应性。此外利用最大均值差异损失进一步缩小从网络中提取的不同红外探测器图像的特征分布。最后采用AdamW异步更新优化算法进一步提高模型在训练过程中的稳定性与检测精度。将所提方法在不同红外探测器采集的低空海面红外船只与无人机数据集中进行实验。实验结果表明,相较于传统有监督学习方法,所提方法有效降低了人工标注成本,且源域检测精度提高6.56个百分点,目标域检测精度提高2.62个百分点,有效提升目标检测模型在不同红外探测器间的泛化能力。     

基于声发射和GAN-CNN的铝合金管道法兰 连接松动泄漏检测*

面向管道法兰连接松动引起的泄漏检测需求,为解决数据样本不足和减少特征指标手动选取的繁琐环节。本文,考虑到生成性对抗网络（GAN）作为数据扩充工具,已被证明能够生成与真实数据相似的样本数据。同时,卷积神经网络（CNN）作为一种深度学习方法,为自动提取数据的特征提供了一种有效的方法。开展了基于GAN和CNN的铝合金管道法兰连接松动泄漏检测研究。首先,搭建管道泄漏标定和数据采集实验台,利用声发射技术获取不同等级的原始泄漏信号。其次,采用GAN生成样本数据扩充原始数据。同时,为了评估生成模型的性能,引入统计特评估生成质量。最后,将生成的样本数据与原始数据设置为不同训练集,基于卷积神经网络构建智能分类检测模型,应用于管道泄漏检测。同时,分类检测结果与小样本智能分类方法SVM进行了比较,实验结果表明,基于GAN和CNN构建的智能分类模型可显著提高管道法兰连接松动泄漏检测精度。     

一种基于GAN和自适应迁移学习的样本生成方法

研究了基于生成式对抗网络(GAN)和跨域自适应迁移学习的样本生成和自动标注方法。该方法利用自适应迁移学习网络，基于已有的少量可见光图像样本集，挖掘目标在红外和可见光图像中特征内在相关性，构建自适应的转换迁移学习网络模型，生成标注好的目标图像。提出的方法解决了红外图像样本数量少且标注费时的问题，为后续多频段协同目标检测和识别获得了足够的样本数据。实验结果表明:自动标注算法对实际采集的装甲目标图像和生成的装甲目标图像各1 000张进行自动标注测试，对实际装甲目标图像的标注准确率达到95%以上，对生成的装甲目标标注准确率达到83%以上；利用真实图像和生成图像的混合数据集训练的分类器的性能和使用纯真实图像时基本一致。     

低空监控系统的红外小目标检测方法

无人机遥感系统在检测复杂背景下红外小目标时存在虚警过高的问题,结合卷积神经网络提出一种两阶段的无人机遥感系统红外小目标检测模型。第一阶段利用Unet神经网络学习红外图像中目标的深度语义特征与浅层位置特征,同时增强红外小目标信号,并抑制背景信号。第二阶段利用Faster R-CNN对第一阶段输出的图像进行分析,检测图中红外小目标的位置与边框。在公开的无人机遥感系统红外小目标检测数据集上完成了验证实验,结果表明该模型将三个复杂背景数据集下红外小目标的检测精度分别提高了13.2、9.8与13个百分点,每秒处理的帧数分别增加了11、14与13。     

一种基于2D-CNN的激光超声表面缺陷检测方法

激光超声表面缺陷检测的过程中,缺陷的定量表征通常依赖于操作者的判断,易受到人为因素干扰,致使检测结果不稳定。针对这一问题,提出一种基于图像识别的二维卷积神经网络（2D-CNN）的缺陷自动分类检测方法。利用有限元方法模拟激光超声检测过程,并采集超声信号数据用于训练分类模型;使用连续小变换（CWT）处理超声信号得到小波时频图,以小波时频图作为输入训练卷积神经网络（CNN）分类模型,实现对表面缺陷深度的自动分类。验证结果表明:提出的检测方法能够对不同深度的缺陷准确分类,测试的平均准确率达到97.3%;构建的CNN分类模型能够自主学习输入图像的缺陷特征并完成分类,提高了检测结果稳定性,为激光超声缺陷检测的自动化分析处理提供了新的思路。     

基于改进深度残差网络的计算断层扫描图像分类算法

基于改进的深度残差网络(ResNet),提出更加适合肺部组织的计算断层扫描(CT)图像模式分类模型。为克服医学图像分析中可用数据集稀少的困难,采用迁移学习方法来减小神经网络模型对数据量大的需求,以减小过拟合。迁移学习的策略是将肺内大量可用的无标签区域作为预训练的数据,使用深度互信息最大化和先验分布匹配的方法进行无监督表征学习。通过对比实验发现,改进的深度ResNet可以得到更高的分类精度,迁移学习算法可以有效地利用肺内无标签区域的数据,从而提升网络模型的分类表现。     

基于中心点的遥感图像多方向舰船目标检测

针对目前基于深度学习的舰船目标斜框检测方法存在计算量大、效率低的问题,提出一种基于目标中心点的单阶段检测模型.由于舰船中心点不受舰船分布方向影响,模型主要思想是以目标中心点检测为基础,回归中心点处目标斜框的尺度和方向.首先设计特征提取网络,将卷积神经网络细节信息丰富的底层特征与语义信息丰富的高层特征融合起来形成特征图;然后将特征图输入到三个检测分支,分别预测目标中心点、中心点偏移值以及斜框的尺度与方向;设计组合损失函数对网络进行训练,并改进非极大值抑制算法以适应目标斜框检测的需要.在公开的SAR图像舰船目标检测数据集与光学遥感图像上进行了实验,实验结果表明,测试集平均准确率达0.906,检测精度与速度均优于其它检测模型,充分验证了所提算法的有效性.     

基于深度注意力机制的多尺度红外行人检测

针对多尺度目标检测问题,提出一种基于深度注意力机制的多尺度红外行人检测方法。首先,选取较为轻量级的Darknet53作为深度卷积特征提取的主干网络,设计四尺度的特征金字塔网络负责目标的定位和分类,通过引入更低层高分辨率的特征图来改善对小尺度行人目标的检测性能。其次,利用注意力模块替代特征金字塔网络中传统的上采样模块,生成基于卷积特征的局部显著图,可以有效抑制不相关区域的特征响应,突出图像局部特性。最后,利用Caltech行人数据集和U-FOV红外行人数据集进行两次迁移训练,以提高模型的泛化能力,丰富行人的样本特征。实验结果表明,所提方法在U-FOV数据集上的识别平均准确率达到了93.45%,比YOLOv3高26.74个百分点,能检测到的最小行人像素为6×13。在LTIR数据集上的定性实验结果验证,所提模型具有良好的泛化能力,适用于多尺度红外行人的检测。     

一种融合肺炎影像特征的肺结核病灶检测迁移网络

基于胸部X光透射图像(DR)的肺部病灶识别与疾病诊断是临床的常规操作。对于肺结核患者而言，其DR图像中的病灶区域与背景相融性高，目标弥散严重且边缘形态极不规则，严重干扰诊断的准确性。针对上述问题，提出了一种融合肺炎影像学特征的肺结核病灶区域检测网络(TDT-Net),利用肺结核和新冠肺炎同为呼吸道疾病且在DR图像上具有相似表征的特点，借助大量肺炎DR数据，通过迁移学习引入强相关特征以提高肺结核病灶的检测精度。TDT-Net结合Transformer和扩张残差技术，提出上下文感知增强模块，以强化迁移模型对全局信息的建模能力；利用特征细化模块减少迁移过程中引入的冗余信息，凸显强相关特征的表示。实验结果表明，在TBX11K数据集上，所提检测方法的平均准确度(AP)达到87.5%,召回率(Recall)达到80.7%,相较于YOLOV5和RetinaNet等网络有效提升了肺结核病灶的检测精度，实现了更加准确的肺结核病灶定位和分类。     

基于卷积神经网络的焊缝缺陷图像分类研究

为有效地对焊缝缺陷进行分类，从而判断焊接质量的等级，对传统卷积神经网络进行改进，提出一种多尺度压缩激励网络模型（SINet）。将4组两两串联的3×3卷积模块与Inception模块、压缩激励模块（SE block）相结合。通过多尺度压缩激励模块（SI module）将卷积层中的特征进行多尺度融合和特征重标定以提高分类准确率，并用全局平均池化层代替全连接层减少模型参数。此外考虑到焊接缺陷数量不平衡对准确率的影响，采用深度卷积对抗生成网络（DCGAN）进行数据集的平衡处理，并在该数据集上验证模型的有效性。与传统卷积神经网络相比，该模型具有良好的性能，在测试集上准确率达到96.77%，同时模型的参数个数也明显减少。结果表明该方法对焊缝缺陷图像能进行有效地分类。     

深度学习在超声检测缺陷识别中的应用与发展*

深度学习（Deep Learning）是目前最强大的机器学习算法之一,其中卷积神经网络（Convolutional Neural Network, CNN）模型具有自动学习特征的能力,在图像处理领域较其他深度学习模型有较大的性能优势。本文先简述了深度学习的发展史,然后综述了深度学习在超声检测缺陷识别中的应用与发展,从早期浅层神经网络到现在深度学习的应用现状,并借鉴医学影像识别和射线图像识别领域的方法,分析了卷积神经网络对超声图像缺陷识别的适用性。最后,探讨归纳了目前在超声检测图像识别中使用CNN存在的一些问题,及其主要应对策略的研究方向。     

基于改进Faster R-CNN的空中目标检测

相比传统图像目标检测算法,基于大数据和深度学习的检测算法无须人工设计特征,且检测性能更稳健。在防空应用背景下,自建了空中目标静态和视频图像数据集用于训练和测试,改进了基于深度学习的目标检测框架Faster R-CNN,将其专用于空中目标检测。结合空中目标检测任务的特点和需求,提出膨胀积累、区域放大、局部标注、自适应阈值、时空上下文等改进策略,弥补了Faster R-CNN对弱小目标和被遮挡目标不敏感的缺陷,提高了检测速度和精度。实验表明,改进后的Faster R-CNN在应对弱小目标、多目标、杂乱背景、光照变化、模糊、大面积遮挡等检测难度较大的情况时,均能获得很好的效果。数据集上测试结果的平局准确率均值较改进之前提高了16.7%,检测速度提高了3倍。