基于涡流脉冲相位热成像的金属材料裂纹检测

涡流热成像可以对金属材料表面、近表面缺陷进行快速准确的检测。采用涡流热成像与脉冲相位分析相结合的方法,针对裂纹附近相位谱的分布规律及温度场对相位谱的影响关系问题,分别对带有上表面裂纹和下表面裂纹的45#钢料进行感应加热仿真和实验分析。结果表明,相位谱分布与温度大小无关,只与温度变化趋势有关,相位谱图对不均匀加热有很好的抑制作用,可以扩大裂纹的检测范围,当频率低于12.5 Hz时能够清晰地识别裂纹。结合实验验证了仿真结论的正确性,为下一步利用相位信息实现缺陷的定量检测提供参考。     

基于脉冲耦合神经网络的弹簧卡箍缺陷检测

传统的弹簧卡箍缺陷多为产后人工全检,存在漏检与缺陷率上升等现象,这不但会使成本上升、也对人力资源提出了考验。为此实现自动实时在线全检就成为急需解决的课题,设计了基于机器视觉的弹簧卡箍在线自动检测系统,该系统安装在弹簧卡箍流水线两侧,搭建特定光源,通过激光传感器外部触发工业相机对其表面进行图像捕获,送上位机进行缺陷判定与定位,最后通过RS485将判定结果送下位机来控制剔除机制。实验结果显示：该系统采用改进的脉冲神经网络(PCNN)能准确提取目标缺陷区域并对缺陷进行判定,可在0.348 s每个零件的速度下,检测出弹簧卡箍表面大于10像素的缺陷。通过对不同弹簧卡箍进行检测验证实验,证明了PCNN算法对缺陷分割的准确性和有效性。     

基于激光扫描热成像技术的电感裂纹检测

针对铁氧体电感表面裂纹和隐含裂纹的检测,传统机器视觉方法存在裂纹成像模糊,识别率偏低等问题。提出了一种基于激光扫描热成像技术的电感器裂纹检测方法。使用热像仪捕捉样品表面的温度变化,并基于二阶微分算法进行图像合成;使用轮廓提取算法去除外围轮廓的干扰和次大值滤波均匀图像,使用边缘检测对裂纹进行提取;最后利用裂纹的面积和长宽比并结合图像的HOG特征当作输入特征,使用支持向量机进行图像识别。结果表明,对于所有的裂纹都能正确成像,裂纹识别正确率达到98.5%,其性能优于其他检测算法。     

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。     

基于CiteSpace的内表面缺陷检测研究进展与趋势

为分析内表面缺陷检测的发展历程、趋势和研究动态,通过对WoS和CNKI数据库中该领域相关文献的检索,共搜集相关文献英文4 708篇,中文818篇,利用可视化分析软件CiteSpace对文献数据开展共现分析、聚类分析等知识图谱研究,分析内表面缺陷检测领域在国家、机构及研究人员层面的分布现状及合作情况,梳理研究热点和前沿趋势。研究发现内表面缺陷检测研究具有明显的多学科交叉属性,主要涉及分析化学、材料科学、光谱学、仪器仪表、机械工程和计算机等学科。近几年WoS数据库相关主题收录文献年增长率超过10%, CNKI年增长率超过20%,中美两国为本领域研究最为活跃的国家,两国发文量约占总发文量的40%,中国学者在无损检测、图像处理等领域的研究明显落后于国外学者,但在机器视觉和深度学习领域实现赶超。按照研究路线可将相关研究分为基于声光电热磁的检测和基于视觉成像的检测两类,其中前者包括采用不同技术手段获取光谱、超声和电磁图像并借助图像处理技术实现缺陷检测,而后者主要基于视觉图像进行缺陷识别和分类,目前已成为该领域主要的研究热点。内表面缺陷检测发展历程分为缺陷识别、缺陷分类、缺陷分析三个阶段,2000年...     

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...     

结合单目视觉成像和深度测量的行为检测研究

人体行为自动检测技术易受成像角度、环境因素的影响,造成检测准确性下滑,结合单目视觉和深度传感器提出了一种新的行为检测技术.首先筛选出人体行为相关的关键帧,以解决行为速度不统一的问题;结合卷积神经网络特征和幅度直方图作为行为描述符;利用对抗网络实现人体行为的域适应迁移学习,解决单目视觉成像角度偏差的问题.在公开的行为检测...     

基于深度学习的非视域成像

针对非相干光照明下的非视域成像问题,提出一种基于深度学习的解决方法。结合计算机视觉领域中经典的语义分割及残差模型,构造一种URNet网络结构,并改进了经典瓶颈层结构。实验结果表明,改进的网络可以恢复更多的图像细节,并具有一定泛化性,相比于基于非相干光照明的散斑自相关成像技术,该网络恢复性能有较大提升。     

基于深度迁移学习的复杂机场场景飞机目标检测方法

提出了一种改进的深度学习模型,旨在解决检测问题。首先基于迁移学习,微调预训练模型,提高了模型在有限的飞机数据集中的特征提取能力。其次,融入调整模块以增加深层特征图的感受野,提升模型的鲁棒性。引入特征金字塔网络,融合不同尺度的特征信息,进一步增强多尺度特征提取能力。最后,优化了检测头,融合轻量化的分类和回归并行分支,平衡了目标检测的准确性和实时性。构建了易于拓展的Aeroplane数据集,并对所提方法进行了实验验证。结果表明,所提模型在单架飞机、相互遮挡的飞机和小飞机的检测中平均精度分别提高了4.9%、4.0%和4.4%。所提方法在不同环境下表现优于其他经典方法,包括各类遮挡和夜间、雾天等复杂场景,具有良好的场景鲁棒性。     

利用激光引发的热透镜效应无损检测固体薄片中的深度缺陷

本文介绍利用激光引发固体薄片表面的热透镜效应无损检测固体薄片深层缺陷的理论分析和反射偏转法.面扫描信号通过计算机处理,以三维象或灰度象显示出深层缺陷,实验结果表明:缺陷的检测深度随泵浦光调制频率的增加而减少,利用相位信号,检测的深度比利用幅值信号的更深,和理论分析相一致.     

一种基于红外成像的强反射金属表面缺陷视觉检测方法

根据红外成像特性及金属表面缺陷区域灰度分布变化缓慢的特点,提出了一种基于小波纹理特性统计分析的铜带表面缺陷视觉检测方法.利用CCD视觉传感器获取受检金属表面的红外影像资料,引入一阶Haar小波分解红外图像,抽取4个小波特性,然后分别使用Hotelling T2和X2多变量统计法融合4个小波特性.最后根据统计值判别图像是...     

基于迁移学习的原子力显微镜成像恢复方法

受限于探针针尖结构尺寸,用原子力显微镜进行微纳测量时会产生图像边缘失真.提出了一种基于迁移学习的原子力显微镜成像恢复方法,通过迁移学习训练源模型和靶模型实现一维栅格成像恢复.该方法采用数学形态法中的腐蚀算法生成栅格点云数据,通过U-Net网络源模型从点云中提取针尖卷积效应的特征向量,将权重参数迁移至U-Net网络靶模型,靶模型在自适应正则化方法下进行监督学习.实验结果表明,该方法能有效恢复一维栅格的原子力显微镜测量图像,提高横向分辨力,可用于纳米栅格的线宽检测上.     

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。     

基于独立分量分析和粒子群算法的太阳能电池表面缺陷红外热成像检测

根据红外成像特性及太阳能电池电致发光原理,研究一种基于限制式独立分量分析(ICA)模型和粒子群优化(PSO)方法的太阳能电池组件表面缺陷检测方法。利用太阳能电池红外图像的结构特点,首先设计一种ICA滤波器,并使用具有多方向搜索特性的PSO算法来求解ICA的分离矩阵,求解中加入限制式,使图像正常区域经滤波后有一致的反应值并有效凸显缺陷区域。然后使用ICA滤波器对图像进行旋积运算,最后使用阈值分割得到检测结果。实验结果表明,提出的ICA滤波检测方法对太阳能电池组件表面缺陷检测效果显著,检测精度高,能很好地区分背景和缺陷。     

基于热红外成像的小麦条锈病早期检测

由条形柄锈菌引起的小麦条锈病是一种世界性范围内普遍流行的重大病害,实现其早期检测对病害的有效防控与小麦的安全生产具有重要意义。旨在实验室环境下分析小麦接种条锈病菌后16天的热红外图像与叶片温度变化,研究热红外成像技术用于小麦条锈病早期检测的可行性。实验发现,随着接种天数的增加,接种病害的小麦植株较健康小麦,叶片的平均温度会逐渐降低,叶片间的最大温差会不断加大。接种后第6天,热红外成像技术可观测到小麦条锈病病斑,较肉眼观察提前了4天。接种后第16天,接种叶片的平均温度比健康叶片低2.5 ℃,最大温差比健康叶片高2.28 ℃。同时,通过对健康、发病以及潜伏期的小麦叶片的显微结构分析,发现条锈病孢子入侵叶片,使细胞结构破环,气孔导度增大,蒸腾作用加剧,从而导致叶片表面温度降低。可见,热红外成像技术可以对小麦条锈病进行早期检测。     

基于支持向量机的泄漏气体云团热成像检测方法

基于热成像的气体泄漏检测技术以其检测效率高、直观可视等优点,已成为石油天然气泄漏检测的重要手段,但常规的气体泄漏热成像检测方法需要检测人员从视频图像中主观地判断泄漏气体痕迹,容易发生漏检、误检。研究了一种基于尺度不变特征变换(SIFT)和支持向量机(SVM)的泄漏气体云团热成像检测算法,采用帧间差分法从红外图像序列中筛选目标区域;分别提取泄漏气体和干扰物的SIFT特征;使用SVM对候选区域进行目标判别,提取泄漏气体云团目标。针对真实复杂场景中包含乙烯、甲烷等的气体泄漏图像和运动人员、漂动树木、野草等干扰图像,建立了1000个典型目标图像数据库,通过图像检测仿真,可得所提算法对距10～150 m处的泄漏气体云团的分类准确率可达92.5%。结果表明,采用该检测方法可自动排除其他运动物体的干扰,有效检测出泄漏气体云团。     

基于高光谱图像技术与迁移学习的水晶梨早期损伤检测

梨在储藏、包装和运输等过程中均可能发生不同程度的机械损伤,若不及时剔除损伤梨,损伤可能会逐渐严重而演变成腐烂,造成严重的经济损失。为建立一种梨早期损伤检测及损伤时间评估的快速、无损检测方法,采用高光谱图像结合迁移学习模型对损伤早期水晶梨进行识别。以无损伤、挤压损伤24 h和挤压损伤48 h的水晶梨为研究对象,应用高光谱成像系统采集样品的高光谱图像,共获取无损伤、挤压损伤24 h和挤压损伤48 h的水晶梨高光谱图像各80帧。对高光谱图像进行主成分分析,选择主成分图像4,5,6（PC4,PC5,PC6）作为检测水晶梨损伤的特征图像,将3个主成分图像拼接后进行数据扩充共得到无损伤、挤压损伤24 h和挤压损伤48 h的特征图像各160帧。按照9∶1比例划分样本训练集和测试集后,分别建立了支持向量机（SVM）、k-近邻（k-NN）和基于ResNet50网络的迁移学习损伤识别模型。SVM、k-NN和基于ResNet50网络的迁移学习模型对测试集样本总体识别准确率分别为83.33%,85.42%和93.75%,基于ResNet50网络的迁移学习模型识别效果最佳,其对测试集中无损伤、挤压损伤24 h和挤压损伤48 h的样本正确识别率分别达到100%,83%和95%。该研究结果表明,高光谱图像技术结合基于ResNet50网络的迁移学习模型可实现水晶梨早期损伤检测,并对损伤时间有较好的预测效果,且损伤时间越长,识别准确率越高。     

基于深度学习的简化多信道并行光性能监测

提出了一种基于信号光谱和多任务深度神经网络（MT-DNN）的多信道并行光性能监测（OPM）方案,采集多信道光谱图进行预处理来设计幅度直方图（Ahs）,可实现波分复用（WDM）系统多信道调制格式识别（MFI）和光信噪比（OSNR）监测。在建立的3信道WDM相干光通信系统中,对由PDM-4QAM/16QAM/64QAM组合的10种调制格式的3信道信号实现了MFI准确率为100%、OSNR监测的平均绝对误差（MAE）为0.16 dB的精准监测。为进一步研究所提OPM方案的性能以应对复杂的传输环境,提出了迁移学习辅助的多任务深度神经网络（TL-MT-DNN）用于多信道MFI和OSNR并行监测。结果表明,所提方案可移植性较好,还可节省大量样本和训练周期,其MFI准确率仍可达100%,3信道OSNR监测的MAE分别为0.24 dB、0.20 dB和0.19 dB。     

基于对数坐标二阶微分峰值法的感应热成像内部缺陷识别研究

针对感应热成像检测中金属工件内部缺陷检测较为困难的问题,对常用的铁磁材料45#钢和非铁磁材料铝试件进行了研究。提取45#钢和铝试件上宽深比不同缺陷的降温曲线,对其进行归一化对数温度-对数时间拟合并求取二阶微分,利用二阶微分极小峰值时间作为特征量对缺陷深度进行定量。结果表明,对45#钢试件,缺陷宽深比大于等于2时,二阶微分极小峰值所对应的时间与缺陷深度平方呈线性关系,可以用来对缺陷深度进行定量;铝试件处理后降温曲线的二阶微分极小峰值时间不受缺陷深度变化影响,不能作为特征量定量缺陷深度。最后通过实验验证了仿真结果。