基于深度学习的焊缝缺陷X射线图像分类方法

针对工业领域中的焊缝缺陷分类难题,文中提出一种基于深度学习的分类方法,该方法借助图像分割技术形成专用的焊缝缺陷数据集,通过在数据集上的训练,使深度网络自动提取出缺陷特征并根据学到的特征对新分割出的缺陷区域进行分类,进而达到焊缝图像缺陷自动分类的目标。实验结果表明,该方法能够以96%的精度应用于目标场景。     

X光探伤图像中焊接缺陷的自动检测

为了自动检测螺旋钢管焊缝缺陷，建立了x光探伤实时成像与自动检测系统。首先采用动态图像多帧叠加方法消除随机噪声，然后利用自适应二值化方法提出焊缝区域。在提出的焊缝图像中，基于缺陷附近的空间对比度与方差，利用模糊模式识别算法，对焊缝 中的夹渣、气孔和未焊透等缺陷进行了自动判别。该系统在钢管运行速度达到3m/s时，漏判率为1.53％和误判率为3.08％，能满足实时检测的要求。     

基于深度学习的路面缺陷自动检测系统北大核心CSCD

路面缺陷自动检测对公路养护和路况等级评估具有重要意义。为此,使用YOLOv5x结合透视变换和图像分割设计了路面缺陷检测系统。首先,为证明系统可行性采集并制作了多类型路面缺陷数据集(pavement defect dataset,PDD)。然后,使用SSD(single shot multibox detector)、Faster R-CNN、YOLOv5x(you only look once v5x)和YOLOX 4种模型对PDD进行训练检测。经过训练,4种模型的mAP(mean average precision)均超过了77%,其中YOLOv5x的结果最优,mAP达到了91%,同时证明创建的数据集PDD有效。最后,使用YOLOv5x作为系统主要检测方法结合透视变换、图像分割和骨架提取获取缺陷的长度、宽度和面积等信息,进而计算路面状况指数(pavement condition index,PCI)得到路面破损等级,以及相应的维修建议,提高了路面缺陷检测的实用性。     

基于图像区域划分的轨道缺陷自动检测技术研究

轨道表面缺陷检测是保障铁路运输安全的重要手段之一,本文设计了基于机器视觉的轨道缺陷自动检测系统,并对钢轨表面缺陷提取技术进行了研究。改进了最大类间方差自适应阈值分割算法,提出了基于轨道峰区检测的自适应二值图像投影法快速提取钢轨表面区域;最后,采用内部点掏空法和链码跟踪算法获取并存储缺陷轮廓信息,实现了钢轨表面缺陷区域的自动检测。实验结果表明:本文所采用的方法可快速定位钢轨区域,并自动准确提取缺陷图像,平均每幅图像耗时11 ms,从而为后续缺陷的测量和识别奠定基础。     

采油厂档案数字化建设研究

档案数字化是实现档案管理由传统模式走向现代化的关键手段,是实现数字化油田的基础,也是一项复杂的系统工程。本文以新疆油田采油二厂为例,介绍了档案数字化工作中好的做法、取得的效果,以及对这方面工作的一些体会和认识。     

基于深度学习的混凝土表面缺陷检测方法

运用深度学习对物体表面缺陷进行检测已经成为了一种越来越受关注的自动化检测方法。针对混凝土表面缺陷,我们设计了一种两段式的学习网络。第一部分是从原始图像的各层特征图中逐像素的学习特征以完成对图像的像素分割,并进行上采样还原至原图像大小。第二部分是对图像中是否存在缺陷做出判断。实验结果表明,该方法分割准确率高,鲁棒性强,适合于混凝土表面缺陷检测。     

基于深度学习的太阳能电池板缺陷检测模型设计

太阳能电池板是光伏发电的核心部件,表面质量关系着其使用寿命和发电效率。针对目前太阳能电池板缺陷检测方法存在着检测效率低、周期长、检测缺陷单一等问题,文章设计了一种基于深度学习的太阳能电池板缺陷检测模型SSNBDL,其基本思想是,在Segnet网络框架基础上,使用空洞卷积替代其中的池化层,使得在增大感受野的同时还保留了图像的边缘信息,基于该模型对太阳能电池板缺陷进行检测,明显提高了检测的准确率。     

基于YOLOv5的太阳能电池片EL图像缺陷检测算法

EL图像可用于精准检测太阳电池及光伏组件的内在缺陷,太阳能电池片EL图像缺陷会受到复杂背景的干扰使其变得难以识别。为此,提出一种改进的YOLOv5深度学习模型,用于提高缺陷检测的可靠性和准确性。该模型采用CutMix数据增强对EL图像的处理,在Backbone中使用改进混合域注意力替换原有网络的内容安全策略(Content Security Policy,CSP)部分,提高模型的特征提取能力。同时,引入特征融合(Feature Fusion Module,FFM)模块有效融合不同维度的特征,达到背景抑制的效果。基于PVEL-AD公开数据集的实验结果表明,相较于原来的YOLOv5s模型,改进后的模型参数量从7.02×10⁶下降到6.79×10⁶,且m AP50准确率从71.11%提升到87.74%。     

基于计算机视觉的零件缺陷检测系统

本文介绍了计算机视觉和机器学习的概念和国内外发展现状,并且详细介绍了对于本次零件缺陷检测相对应的算法,和具体的处理流程,交代了算法的优越性以及使用原因。同时对于模型的局限性进行了总结并提出了解决方案。     

基于深度学习的点胶缺陷检测

在工业生产中,主要利用自动点胶机对工业相机底座表面进行点胶,而实际生产中由于自动点胶机工艺水平的限制,胶水不可避免的破裂、胶水的宽度太厚或太细,胶水不足等现象也是屡见不鲜。生产中如果不能及时检测出此类不良产品,将会影响到产品部件之间的连接,进而影响到整个产品的质量。因此,在需要点胶以实现粘合效果的各种应用中,严格控制点胶的质量是非常重要的。传统的点胶质量检测主要依靠手动检测方法,具有工作量大,工作效率低,检测精度不足等缺点,不能满足胶水检测的工业生产需求。为了提高点胶缺陷检测的准确率以及检测的稳定性,在本文中,我们使用深度学习卷积神经网络对胶条进行缺陷检测。通过模型的比较,最终采用LeNet-5卷积神经网络,同时在此基础上进行了改进,使得算法的鲁棒性以及准确率有所提升。     

基于Faster R-CNN的风机叶片缺陷图像多点检测系统设计

随着新能源风力发电生产规模逐渐扩大,对生产效益精细化的要求不断提升.针对现有电机叶片检查方式造成经济成本高、检查效率低、高空坠落安全隐患等问题,基于深度学习理论,提出了基于Faster R-CNN的胶衣脱落缺陷图像多点检测系统设计.通过对风机叶片的缺陷图片进行数据增广,丰富缺陷数据,以此来增加模型的泛化能力,同时引入G...     

基于深度学习的电子元件焊点缺陷检测方法

提出一种用于训练掩模区域卷积神经网络（Mask R-CNN）的半自动生成焊点图像掩模的方法。由于传统的通过人工标注获取掩模的方法费时费力,提出了一种简便快捷的基于GrabCut获取图像掩模的方法。该方法由两个阶段组成：第一阶段为基于GrabCut的焊点图像分割,输出像素级分割结果,从而获得所输入图像掩模;第二阶段实现基于Mask R-CNN的焊点表面缺陷检测方法,可以实现对缺陷的定位、分类和分割。试验结果证实了该方法的有效性,在保证Mask R-CNN方法检测精度的前提下,能快速、简单地获取训练Mask R-CNN所需的焊点掩模。     

基于图像处理和深度学习的膜片缺陷检测

针对膜片在生产的过程中,由于原材料和工艺的问题总会产生表面缺陷,而通过人为检测的效率低、成本较高的问题,提出传统图像处理和深度学习相结合的方式进行缺陷检测。首先通过图像处理使缺陷特征更为突出,得到去除复杂背景、特征更加明显的新样本,然后将图像和标签送入深度学习网络中进行训练,同时依据缺陷特征修改模型参数得到收敛模型,最后得出检测结果。实验结果表明,提出的检测方法能够有效分割出各种情况下的缺陷,准确率达到98.13%,且在检测速度上有所提升。     

基于深度学习的钢表面缺陷检测方法综述

加工而成的钢材表面可能会存在一定的缺陷,对钢材的外观和质量造成严重的影响,这些缺陷可以通过多种方法来完成分类和分割。传统检测方法精度不高且效率低下,采用基于深度学习的钢表面缺陷检测方法可有效提高检测性能。文章总结了近年来诸多学者提出的基于深度学习的缺陷分类和分割方法,介绍了这些算法的特点以及基于这些算法得到的改进算法,并对各类算法进行了比较,得出各种算法的优缺点。最后,总结了现阶段基于深度学习的缺陷检测技术存在的问题,并对未来的发展进行了展望。     

档案数字化建设实践的探讨

本文阐述了档案数字化建设的基本内涵,具体分析了档案数字化建设的必要性,并针对我国档案数字化建设的基本现状,提出了档案数字化的发展方向和路径。     

基于深度学习的网路图像缺陷识别方法

计算机的发展推动了图像识别技术的发展,使其在各个领域都得到了有效的应用,但网路图像缺陷识别方法存在某些问题,导致图像缺陷识别不准确,识别效率低下,因此,基于深度学习设计了新的网路图像缺陷识别方法。首先进行了图像去噪增强预处理,其次基于深度学习进行了图像分割与边缘检测,最后构建了卷积神经网络图像缺陷识别模型,实现了网路图像缺陷识别,进行实验,结果表明,设计的图像缺陷识别方法的识别耗时短,识别准确率高,有一定的应用价值。     

基于YOLOv3的汽车涂胶缺陷方法研究

为了提高汽车涂胶缺陷的检测精确率、保证速度与质量,提出基于Yolov3的汽车涂胶缺陷检测方法.该方法结合迁移学习算法解决涂胶缺陷数据集少的问题、并针对本文数据集进行K-M重新聚类产生适应本文数据集的anchor box、最后增加网络预测尺度,解决yolov3对小目标检测性能较差问题.改进Yolov3算法在测试集上的平均...     

基于改进YOLOv5的磁瓦表面缺陷检测方法研究

磁瓦的表面缺陷检测是生产环节的重要部分。针对传统的磁瓦表面目标缺陷检测存在精度低下、速度缓慢、小目标检测难度大等问题,首先采用YOLOv5s作为基础的网络,用改进后的CombinedE ffi cientNetV2网络来代替原YOLOv5中的CSPDarknet网络,让网络更加轻量化的同时检测速度有所提高。其次,将Ciou损失函数替换成性能更好的Focal-Eiou损失函数,提高对磁瓦表面的缺陷提取校正能力。最后,在网络中结合改进后的双Shu ffl eAttention注意力机制,并将激活函数替换成GeLU,让网络能关注到重要位置。通过多次训练网络,与FastRCNN、YOLOv3、SSD、原YOLOv5算法进行对比,P和mAP有不同程度的提升。结果表明,相较于原YOLOv5,改进后的算法mAP提高了3.9%,P提高了4%,FPS达到了41.3帧/s,能满足磁瓦生产线中的缺陷检测需求。     

基于双网络的钢材表面缺陷检测方法

针对传统算法检测钢材表面缺陷（如开裂、斑块、划痕等）精准度较低的问题,提出一种基于分割与分类的两段式深度学习网络。该网络是专为表面缺陷的检测、分割以及分类而设计的。第一阶段利用YOLOv5算法对钢材表面的缺陷进行定位、分割;第二阶段使用EfficientNet网络对钢材表面的六种缺陷类型进行分类。实验结果表明,相较于传统的YOLOv5算法,该方法的平均精准度提高了16%,适合用于钢材表面缺陷检测。