磁瓦表面缺陷的机器视觉检测方法

为了提高磁瓦表面缺陷在线检测准确率并降低检测时间,提出一种基于机器视觉的检测方法。离线训练时,对经过Gabor小波处理后的子图进行融合并提取纹理特征,使用改进的Relief算法提取与类别相关性强的特征子集,并去除冗余特征。为降低缺陷磁瓦的漏检率,先进行偏向性分类处理,再采用最小二乘支持向量机进行分类预测。实验表明,整体预测准确率96.89%,缺陷磁瓦分类准确率达到99.09%,且在线预测时间减少了近1/4,只需67.4ms。     

桥梁拉索表面缺陷的分布式机器视觉检测

介绍了一种桥梁拉索表面损伤缺陷的分布式视觉检测系统。系统以DSP(Digital Signal Processor)芯片TMS320DM642(简称DM642)为核心处理器,协同控制辅助机械装置,实现拉索表面缺陷检测。提出并采用改进的中值滤波对CCD采集到的拉索表面图像进行图像预处理,采用改进的Sobel边缘检测算法对缺陷进行边缘检测;对分割后的缺陷目标进行决策判别,实现桥梁拉索表面缺陷的智能检测。实验结果表明,系统可检测出桥梁拉索表面损伤面积大于1cm2的缺陷,处理速度达到了5cm/s,满足了快速有效的检测要求。     

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...     

一种基于图像特征和神经网络的苹果图像分割算法

苹果识别是开发苹果采摘机器人的关键环节,利用图像处理技术和神经网络分类器探索苹果图像分割算法.从苹果树图片中选取苹果图像样本和背景网像样本.分别计算这两类图像样本的颜色特征和纹理特征.颜色特征的计算基于RGB色彩模型,纹理特征的计算基于灰度共生矩阵.选取适当的颜色特征(R/B值)和纹理特征(对比度值和相关性值)作为输入节点,利用反向传播神经网络分类器建模,输出值是一个O～1之间的计算值.通过阈值将输出结果分类为苹果或背景.试验结果表明,该算法正确率大于87.6%,对光照的影响不敏感,是一利较为实用的苹果分割算法.     

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。     

锅仔片表面指纹检测方法

锅仔片是薄膜开关、微型开关等电子元件中的关键部件之一,具有接触平稳、导通性强、回弹稳定、手感俱佳的几大优点;在锅仔片的生产过程中,不可避免地会被人的手指接触到,并留下指纹和油脂,导致锅载片加快氧化,影响其寿命,对主体产品的质量留下了隐患;因此,锅仔片的质量检测是提高主体产品竞争力的重要环节;目前,生产企业大多采用的检测法是人工目视检测法,该方法效率低,且容易误判;为了提高生产效率,提出了基于机器视觉的锅仔片表面指纹检测方法;该方法通过利用广义霍夫变换对目标进行定位、提取目标的灰度共生矩阵和支持向量机分类识别,实现了锅仔片质量的自动检测,并给出了该方法的工作流程;实验结果证明,该方法取得了良好的效果,具有一定的实用价值和推广价值。     

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。     

车削零件表面粗糙度图像法检测优选方法

为实现对车削零件表面粗糙度检测,提出一种基于机器视觉表面粗糙度检测图像处理的新方法。该方法先按相应算法对所采集图像剔出受光衍射影响严重区域,然后再按其灰度分布情况进行区域优化,获得的图像灰度特征参数能反映表面粗糙度量值的有效特征区域。用该方法对表面粗糙度Ra标称值为0.8 μm~12.5 μm的五种车削样件测试,处理后图像灰度的均值、方差、能量和熵等特征参数与Ra标称值单调关系显著,各特征曲线的非线性误差均在1.5%以内。对比实验显示,这种特征提取和区域优化方法可应用于表面粗糙度的区分与检测。     

一种平板玻璃缺陷在线检测系统的研究

根据光干涉的原理和视觉检测方法,研究开发了基于机器视觉的玻璃缺陷检测系统。针对实际的目标图像,通过对其进行图像获取、图像预处理、图像分割、特征提取和区域参数计算研究,从而获得玻璃表面锡点、气泡、玻筋等缺陷图像的识别信息。实验表明,该算法简单,速度快,系统抗干扰能力强。系统处理周期最大不超过400 m s,能检测出最小0.3 mm的缺陷。     

基于神经网络的零件缺陷机器视觉识别系统

零件缺陷检测是保证零件使用安全的重要手段。传统的零件缺陷检测法需要有操作人员参与其中,易受主观因素影响,检测的效率及精度得不到良好的保证。而采用机器视觉技术的检测法可实现实时在线的自动检测,无需人工参与,这就极大的提高了生产效率。本文以小轴承表面为研究对象,针对微小轴承的表面结构、尺寸、检测精度和缺陷特征,设计了基于BP神经网络的零件缺陷机器视觉在线自动检测系统,其采用机器视觉技术,构建了BP神经网络检测识别模型,采用进行图像特征提取的间接识别方法,对微小轴承缺陷进行实时检测。实验结果证明了人工神经网络模型的检测能力的可靠性。     

基于改进U-net的金属工件表面缺陷图像分割方法

针对金属工件表面小尺寸缺陷及受非均匀光照影响的图像缺陷难以分割的问题,提出了一种改进的U-net语义分割网络,实现金属工件表面缺陷图像的精确分割。首先,在U-net网络中融入CBAM(convolutional block attention module)模块来提升图像中缺陷目标的显著度;其次,采用深度超参数化卷积DO-Conv(depthwise over-parameterized convolutional)代替网络中部分传统卷积,增加网络可学习的参数数量;然后,采用Leaky Relu函数代替网络中部分Relu函数,提高模型对负区间的特征提取能力;最后,采用中值滤波及非均匀光照的补偿方法进行图像预处理,减弱非均匀光照对金属工件图像表面缺陷的影响。结果表明:改进后的网络平均交并比、准确率和Dice系数指标分别达到0.833 5、0.933 2、0.867 4,改进的网络显著提升了对金属工件表面缺陷图像的分割效果。     

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...     

一种铁磁材料探伤的方法

介绍一种利用LC振荡电路的磁回路探测材料表面和内部伤痕的方法．实验证明,该方法能应用于高压容器的深层探伤,且效果很好．     

扬声器异常音的快速检测方法及其实验研究

提出了一种对扬声器声响应中的低阶次谐波失真与高阶次谐波失真和进行综合分析的方法,以实现对扬声器异常音的快速检测。文章分析了扬声器异常音的时域和频域特征,并对人耳听测异常音的机理进行了讨论。通过对扬声器系统Volterra建模并选择连续对数扫频信号作为激励信号,推导出了该模型在此激励下的响应表达式.该表达式揭示了提取各阶冲激响应的方法,由该表达式给出一种可以快速提取各阶次谐波失真的跟踪滤波器,以实现对扬声器异常音的检测。实验室测试和多次工厂生产线测试初步验证了该方法的准确性、快速性和可行性。     

大口径精密表面疵病的数字化检测系统

 根据散射光成像原理,采用大小两个视场来获取不同精度的暗背景下的亮疵病图像,设计了完整的数字化表面疵病检测系统。该系统采用多区域自适应阈值分割算法对图像进行分割,然后采用基于等价归并标记方法快速提取疵病的特征参数,最后利用BP神经网络对疵病进行分类。实验结果表明该方法既满足实时性需求,又取得了较好的分类检测效果。     

大口径精密表面疵病的数字化检测系统

根据散射光成像原理,采用大小两个视场来获取不同精度的暗背景下的亮疵病图像,设计了完整的数字化表面疵病检测系统。该系统采用多区域自适应阈值分割算法对图像进行分割,然后采用基于等价归并标记方法快速提取疵病的特征参数,最后利用BP神经网络对疵病进行分类。实验结果表明该方法既满足实时性需求,又取得了较好的分类检测效果。     

在线轨面伤损检测软件系统优化设计与实现

针对实际应用中轨面伤损检测系统检测速度较慢的问题,在保证检测精度的前提下,结合轨面图像特点及软件工程的思想,提出了面向算法、编程技术和存储介质3个层面的优化方法。算法优化通过重新设计算法流程,合理取舍步骤,实现算法到CPU的高效映射;编程技术优化使用多线程编程,通过并行运算充分利用处理器的多核优势;存储介质优化通过使用读写快、质量轻、能耗低、体积小的固态硬盘进行图像读写,有效地提升了硬件效率。实验结果表明,优化后平均每幅轨面图像检测耗时由17.94 ms降低到仅8.33 ms,速度提升了53.57%,在分辨率为1 mm的精度下换算成车速约为207 km/h,可以满足铁路轨面伤损在线检测需求。     

大口径光学元件表面疵病在位检测与评价研究

精密光学元件在加工过程中如果工艺控制不当,产生的划痕、麻点等疵病分布范围虽然较小,但对整个光学系统的性能影响却很大,破坏力非常强,目前的表面疵病检测仪基本上针对平面或球面光学元件进行离线检测。文章以光学加工机床为运动平台,采用暗场散射成像方法,设计多光束均匀照明系统,研究表面疵病微细特征的识别算法,实现大口径光学表面疵病的在位检测与评价;标定结果表明,表面疵病宽度偏差为2.05%,长度偏差为2.39%,满足指标要求;在此基础上针对Φ280 mm平面硅镜进行自动化在位检测,给出了不同类型疵病的统计数据,解决了离线检测中非加工时间长与多次装夹引起定位误差等问题。     

微小层片型缺陷的超声非线性区域检测技术*

针对微小层片型缺陷的超声检测效率低、检测能力弱、易受主客观因素干扰的问题,提出弹簧扁钢中微小层片型缺陷的非线性超声区域检测技术。首先,优化探头夹持装置并提出区域检测方法,提取稳定可靠的检测信号;其次,提出相对非线性系数均值及波动系数表征缺陷分布;最后,基于斯皮尔曼次序相关系数分析扁钢各类缺陷与非线性超声系数均值的相关性。研究结果显示:两种非线性超声特征参数中的波动系数具有更高的缺陷敏感度,可表征扁钢中缺陷分布;波动系数与扁钢中微小层片型缺陷的相关系数比与体积型缺陷的相关性系数大得多,特别适用于微小层片型缺陷的检测。     

The improved defects detection method of optical fiber winding

The paper discusses mainly how to check the defects such as fiber-stacking fiber-cut and fiber-uneven with an improved method in the process of fiber optic gyroscope coil winding. In the paper, it is aimed at the gray level image of optic fiber coil winding to get binary image using mathematical morphology and to get optic fiber position image using the improved moving target detection algorithm, on the base of the optic fiber position image, to figure out the relative position of adjacent optic fiber. Through the value of the relative position of adjacent optic fiber, the status of optic fiber winding can be estimated. Experimental results show that the entire image processing and defect detection method can effectively distinguish the defects in the process of optical fiber coil winding.