焊接缺陷的磁光成像小波多尺度识别及分类

针对焊缝微小凹陷、未熔合和焊偏等焊接缺陷,提出了基于磁光成像无损探伤的小波多尺度边缘提取算法及主成分分析-误差反向传播神经网络(PCA-BP)缺陷分类模型;研究了焊件表面及近表面缺陷的可视化无损检测及分类方法。首先,通过对焊件施加感应磁场,利用法拉第磁致旋光原理构成磁光传感器,获取焊接缺陷磁光图像。然后,针对焊接缺陷磁光图像存在噪声干扰、对比度低且成像背景复杂等特征,基于小波模极大值的多尺度边缘信息融合方法,设计了具有高抗噪性的缺陷边缘检测算法。最后,通过PCA法对磁光图像列方向灰度变量进行预处理,得到能表征95%磁光图像列方向灰度变量信息的256个特征点作为输入特征量,构建了三层BP神经网络模型,对焊接缺陷样本进行分类。试验结果表明,所提方法能准确识别微小凹陷、未熔合和焊偏等焊接缺陷,模型分类准确率可达90.80%。     

交变/旋转磁场下焊接缺陷磁光成像检测与分类

针对任意角度焊接缺陷难以检测的问题,研究在不同磁场激励下焊接缺陷磁光成像无损检测系统。重点介绍了由U形磁轭产生的交变磁场和平面交叉磁轭产生的旋转磁场激励焊件的机理,比较了交变/旋转磁场激励下不同焊接缺陷的磁光成像效果。基于法拉第旋转效应分析磁光成像特性与磁场强度之间的关系,磁光图像的灰度值可以匹配相应的漏磁场强度。采用主成分分析法提取融合图像列像素灰度特征和通过灰度共生矩阵提取磁光图像纹理特征,建立BP神经网络模型和支持向量机模型识别这些缺陷特征。试验结果表明,在旋转磁场激励下,BP神经网络模型和支持向量机模型的分类精度分别为94.1%和98.6%,相比交变磁场,分类精度分别提高了10.7%和8.5%。旋转磁场激励下的磁光成像克服了定向检测的局限性,能够实现对任意角度焊接缺陷的检测及分类。     

焊接缺陷磁光成像动态检测与识别

为了实现焊接缺陷的自动检测,研究一种交变磁场激励下焊缝表面及亚表面缺陷的磁光成像动态无损检测方法。分析了基于法拉第磁致旋光效应的焊接缺陷磁光成像机理,并结合交变磁场原理推导出励磁变化与动态磁光成像的关系。探索低碳钢板的亚表面焊缝磁光成像特征试验,验证了所提方法可用于检测焊缝亚表面的未熔合缺陷。最后对高强钢焊缝特征的动态磁光图像进行分析,采用主成分分析法和支持向量机(PCA-SVM)模式识别方法建立了焊接缺陷分类模型。试验结果表明,所提方法可以识别高强钢焊件中的焊缝特征(未熔透、裂纹、凹坑和无缺陷),缺陷分类模型的整体识别率达到92.6%,能够实现焊缝表面及亚表面缺陷的自动检测。     

焊接缺陷磁光成像卷积神经网络识别方法

对焊件表面及亚表面微小焊接缺陷进行检测是保证焊接质量的关键,提出一种基于深层卷积神经网络的磁光成像焊接缺陷检测方法。以法拉第磁致旋光效应为基础,分析磁光成像原理,建立深层卷积网络预测模型,研究不同模型结构参数对训练结果的影响。通过对深度卷积神经网络中间机理分析,研究模型训练过程并自动寻找卷积核最优参数。试验结果表明,第一层卷积核尺寸选择7×7和采用Relu激活函数可以使预测模型达到最佳效果,焊接缺陷磁光成像平均训练准确率为98.61%,凹坑、裂纹、未焊透、未熔合、无缺陷5种焊接试样预测准确率分别为84.38%、98.05%、84.38%、100%、100%,平均预测准确率为93.36%。     

旋转磁场下焊接缺陷磁光成像检测与强分类研究

焊接缺陷的准确检测与分类对保证焊接产品质量十分重要。研究一种旋转磁场激励下焊接缺陷的磁光成像无损检测方法。分析基于法拉第磁光效应的焊接缺陷磁光成像机理,使用有限元法对焊接缺陷的磁场分布进行数值模拟与分析,并获得磁光图像采集的最佳提离度。分析旋转磁场形成机理,使用交叉磁轭产生旋转磁场激励焊件,通过磁光成像传感器获取焊接缺陷磁光图像。采用主成分分析法(Principal component analysis, PCA)对采集的磁光图像列像素灰度特征进行提取与降维,使用AdaBoost算法结合误差反向传播(Back propagation, BP)神经网络建立BP-AdaBoost焊接缺陷强分类模型。试验结果表明,所提出的方法可有效提高45钢焊接缺陷(弧形裂纹、线形裂纹、凹坑、未熔透)的分类精度,焊接缺陷强分类模型的整体识别率达到98.88%,有效实现焊接缺陷的检测与分类。     

激光焊接焊缝显微组织磁光成像研究

针对焊缝显微组织对焊件质量影响问题,对激光焊接焊件不同区域的焊缝显微组织特征进行研究,对不同焊接试验参数下的焊缝成形差异进行分析,提出了一种焊缝显微组织磁光成像检测方法,采用低碳钢平板对接焊,试验共分为4组,将焊缝显微组织磁光图像与扫描电镜图像相结合,分析恒定磁场下不同区域焊接接头的显微组织磁光成像差异和焊缝的晶粒组成及特征。研究结果表明,在磁光图像中焊件焊缝可以分为熔合区、热影响区和母材区,且这3个区域的晶粒组成、大小及形态有明显的差异,恒定磁场下焊缝磁光图的颜色、亮度及灰度值反映了焊缝的成形质量。     

基于纹理特征的磁瓦表面缺陷提取

为了达到准确有效地提取磁瓦表面缺陷的目的,针对磁瓦图像纹理特征,设计了一种陷波滤波器来增强缺陷目标并抑制背景纹理,然后通过自适应中值滤波来消除噪声,最后利用Canny边缘检测方法提取出磁瓦表面存在的缺陷。通过实验表明,该方法能有效地提取多种磁瓦内外表面缺陷,通用性好,为后续缺陷特征的提取和识别分类奠定了良好的基础。     

基于BP神经网络的钢球表面缺陷识别

采用灰度共生矩阵为基础的纹理特征计算方法,对钢球表面图像进行特征参数提取,应用基于BP神经网络的图像特征模式识别方法,实现了对钢球表面不同种类缺陷的准确识别,实验结果表明,该方法能够对钢球表面缺陷进行有效地分类识别。     

基于LVQ的带钢表面缺陷分类研究

简要介绍了带钢表面缺陷二级检测的方法.研究了基于缺陷图像直方图、纹理、投影和形状的特征提取.提出了用LvQ神经网络进行缺陷分类的方法.分类测试表明该方法有较好的分类识别性能.     

焊缝缺陷检测现状与展望综述

针对焊缝表面成形缺陷检测存在的技术问题,对现有焊缝缺陷检测技术即磁粉检测、超声检测、涡流检测、渗透检测、磁光成像检测、红外检测以及结构光视觉检测法进行了深入研究。对检测原理、系统基本结构、各自的适用范围以及研究现状进行了论述;并分析总结了基于结构光视觉检测法的激光条纹图像采集、图像处理、特征提取和焊缝缺陷分类识别等技术相关的理论与算法;研究结果表明:为了满足焊缝缺陷全方位检测要求,可融合多检测技术,优势互补;随着人工智能技术的不断发展和焊件质量要求的提高,实现焊缝缺陷检测技术可视化、自动化是未来的发展趋势;人工智能技术是焊缝缺陷检测的关键技术,实现真正智能化检测需进一步研究。     

主从特征融合驱动的铝型材表面缺陷检测

针对因仅考虑纹理特征而造成铝型材表面缺陷检测精度较低的问题,提出一种主从特征融合驱动的表面缺陷检测模型。该模型的构建主要包括3个部分：首先采用经Focal-Loss损失函数优化的UNet模型完成缺陷分布不均匀的样本分割与定位;然后集合卷积神经网络(CNN)与反向传播神经网络(BPNN)构建融合图像纹理特征、梯度信息和缺陷形状特征的主从特征预分类层;最后通过级联特定模糊规则的模糊神经网络完成缺陷的最终分类。利用阿里天池比赛的铝型材数据集中的5类缺陷样本对模型进行了实验验证,平均分类检测精度达到97.2%,为铝型材表面缺陷检测提供了新方法。     

基于视觉的铁路货车滚动轴承表面缺陷分类研究

用CCD代替人眼对轴承表面缺陷进行图像采集,采用卷积滤波与开、闭运算相结合的图像处理方法,有效去除了缺陷周围边缘点的干扰。在提取传统特征基础上增加了压缩度、线度、距离极值比、NMI特征和不变矩等特征量,增强了缺陷分类的依据;对BP神经网络的输入矩阵和归一化方法的改进,提高了神经网络的记忆能力及识别速度;通过试验对缺陷分类系统识别结果进行检测,确定了该系统的可靠性。     

交变磁场下焊接缺陷磁光成像特征分析

研究焊接缺陷磁光成像检测方法,基于法拉第旋转效应,分析交变磁场下焊接缺陷磁光成像特征与漏磁场之间的关系。建立焊接缺陷的三维有限元模型,对不同类型和宽度的焊接缺陷漏磁场分布进行模拟,并在交变磁场激励下对不同焊接缺陷进行磁光成像无损检测试验,通过试验验证了焊接缺陷检测模型的有效性。研究结果表明,漏磁场分布与缺陷的类型和宽度密切相关,随着宽度增大,缺陷漏磁场的磁感应强度垂直分量亦增大;在相同宽度下,未熔合、表面裂纹、亚表面裂纹和无缺陷磁光图像灰度峰谷差值呈递减趋势,磁光图像灰度值可与漏磁场强度相匹配;所建焊接缺陷模型和磁光成像试验能有效地描述不同焊接缺陷对漏磁信号和图像灰度值分布的影响,有助于提高焊接缺陷检测和质量评估。     

基于显微成像法的机加工零件表面质量检测

介绍一种基于显微成像法的快速检测机加工零件表面质量的方法。通过对切削加工零件表面纹理图像进行灰度信息统计分析并与传统方法检测粗糙度结果做曲线拟合,建立加工表面轮廓高度特性与图像灰度特性之间的相关关系,从而根据图像灰度分析得到粗糙度值;用适当大小的窗口逐行扫描图像,通过检测窗口内波峰线的连续长度而识别纹理缺陷,并以窗口轮廓作为缺陷的标记。实验验证了该方法检测粗糙度等级准确度达83.3%,可识别并标记的纹理缺陷大小为30μm。     

PNN与BP神经网络在钢板表面缺陷分类中的应用研究

针对钢板表面缺陷图像信噪比低、特征复杂多变而导致现有的钢板表面缺陷模式识别与分类方法存在的实时性差、精度低、适应性差等问题,研究了基于人工神经网络的分类器,以实现对钢板表面缺陷进行实时有效的分类识别。根据钢板表面划痕、麻点、夹杂、锈蚀、辊印5类缺陷的特点,从缺陷图像信号中提取了几何特征、灰度特征和Hu矩特征,选取了能够比较全面表征缺陷特征信息的13维特征向量作为神经网络的输入数据,为缺陷识别和分类提供了依据。分别构造了概率神经网络PNN和BP神经网络分类器,对钢板的表面缺陷进行了分类测试,并对测试结果进行了对比分析。实验结果表明,PNN和BP神经网络的识别率分别为87%和81%。PNN在识别准确率、训练速度、追加样本的能力等几方面的综合性能优于BP神经网络。     

透明件表面缺陷的机器视觉检测综述

随着现代科技的发展,透明件几乎运用于各个行业并起着不可或缺的作用,透明件表面质量是衡量其合格与否的一个重要指标,同时机器视觉技术因具有速度快、精度高、成本低、稳定性好等优点被广泛用于透明件表面缺陷的检测.本文主要从图像采集、图像处理和缺陷识别几个环节来介绍透明件表面缺陷的检测,对检测系统的类型,采集图像的处理方法以及实验数据的整理进行深入的研究,结合图像特征与深度学习方法对透明件表面缺陷进行归类,探讨机器视觉检测透明件技术发展近状及现存问题.进一步,本文阐述了机器视觉检测透明件的最新进展,并对未来可能发展趋势进行预测,为后续研究工作提供基础理论参考.     

挠性印制电路板焊盘表面缺陷的检测

针对挠性印制电路板(FPC)上的焊盘表面缺陷,提出一种基于图像处理技术的智能检测方法。首先,根据缺陷的表现形式对焊盘缺陷进行归纳与分类,采用最大熵值法量化提取焊盘的颜色特征和面积特征;然后,通过评估灰度共生矩阵(GLCM)对纹理颜色变化特征与纹理结构特征量化的有效性,将其应用于焊盘纹理特征的量化与提取。实验分析显示,缺陷焊盘与非缺陷焊盘在某个或多个特征上存在着明显的差异。基于该特点,建立了BP神经网络,以焊盘的颜色、面积、纹理结构、纹理颜色变化特征值作为神经网络的输入,通过学习大量样本,获取最佳权值参数,最终实现对FPC焊盘表面缺陷的检测,检测准确率高达94.6%,50个焊盘的检测时间为300ms。实验结果表明:本文提出的检测方法不仅能够有效地对焊盘表面缺陷进行识别,而且能够满足在线检测对速度的要求。     

基于机器视觉和反向传播神经网络的蓝莓表面缺陷检测

针对蓝莓表面缺陷检测快速、准确的需求,提出一种基于机器视觉和反向传播神经网络的蓝莓表面缺陷检测方法。构建蓝莓表面缺陷图片数据集,通过形态学相加等图像处理技术实现蓝莓图像的背景去除与图像增强,采用最大类间方差阈值方法提取蓝莓表面缺陷。对蓝莓表面缺陷提取外观特征,包括色调分量图像的色调累积频度、纹理特征、几何特征。利用主成分分析优化蓝莓表面缺陷外观特征,构建基于反向传播神经网络的蓝莓表面缺陷检测模型。测试集检测结果表明,采用基于机器视觉和反向传播神经网络的蓝莓表面缺陷检测方法,平均识别率达到92.3%,对腐烂、擦伤、机械损伤、褶皱的识别率均高于83%。     

集箱管接头内焊缝表面缺陷识别方法研究

针对集箱管接头内焊缝表面缺陷自动检测需要,进行了基于计算机视觉的集箱管接头内焊缝表面缺陷自动识别方法研究。分析了不同焊缝图像的纹理特征,从焊缝图像的灰度共生矩阵中提取出15种可用于焊缝表面缺陷状态表征的特征参数。在此基础上,研究将BP神经网络应用于焊缝表面缺陷自动识别中。分析了灰度共生矩阵的步长、灰度级、神经网络的结构参数及输入特征参数的数量和种类对焊缝图像识别效果的影响,优化出最佳的识别参数。在以上研究基础上,利用优化后的神经网络对内窥镜获得的不同焊接质量的焊缝图像进行了训练和识别。结果表明,提出的基于图像纹理的神经网络识别系统可以很好实现集箱管接头内焊缝焊接状态的自动评价,整体识别率达91%。研究工作为集箱管接头内焊缝焊接质量自动检测做了有益的探索。     

基于Mallab的RBF网络的带钢表面缺陷的识别与分类研究

采用灰度直方图特征、灰度共生矩阵特征和小波变换特征相结合的提取方法,在提取特征向量的基础上,基于Matlab6．5环境下的神经网络工具箱,应用了兼顾识别速度与分类准确性的RBF神经网络分类器对带钢表面缺陷进行识别与分类,通过试验数据的分析,证明此算法可以作为高速生产线的带钢表面缺陷的实时检测优选方案。