基于分形维数的磁痕图像缺陷检测

针对荧光磁粉无损探伤自动检测中存在的磁痕识别率低、虚警率高、抗干扰能力弱和易受背景影响的问题,提出一种基于分形维数的磁痕图像缺陷在线检测方法。采用差分计盒维数算法求解得到磁痕图像的分形维数,并分析工件磁痕缺陷分形维数特征。实际运用中,实时采集工件图像,利用特征进行图像处理,判断工件是否存在缺陷。经过实验验证,采用基于分形维数特征的磁痕图像缺陷检测方法,能准确识别工件缺陷,磁痕识别率为80%,与常用检测磁痕方法相比,虚警率降低5%,受背景影响小,有较强的适用性。     

一种基于智能机器视觉识别的工业探伤技术

磁粉探伤广泛应用于铁磁性工件表面和近表面缺陷检测,但目前的缺陷识别仍依赖于人工判断。为实现检测自动化,将机器视觉技术应用于缺陷识别,提出一种智能的螺栓缺陷在线检测系统,针对螺栓在生产过程中产生的纵向、横向裂纹,使用基于统计的磁痕裂纹识别方法和基于改进LBP特征和SVM分类器识别方法进行级联完成螺栓零件表面裂纹的自动识别。实验结果表明,该方法与传统的识别方法对比具有很好的分类识别效果,漏检率减少5%,同时能够满足实时性的需求。     

基于小波变换的磁瓦表面缺陷检测方法研究

针对磁瓦表面缺陷人工检测时存在效率低、稳定性差的问题,提出一种将小波变换应用于磁瓦表面缺陷检测的视觉检测方法。实验中对随机样品磁瓦和模板正品磁瓦进行相同的处理,对比两者处理过程中采集到的参数来判别实验磁瓦是否存在缺陷。先通过小波去噪处理图像,利用灰度直方图阈值提取图像并二值化,计算对比阈值提取区域匹配相似度;再用Canny边缘检测算法提取出阈值提取区域轮廓边缘,经过形态学操作,计算对比最大轮廓长度,最大轮廓面积和凸凹平均面积;最后通过设定提取特征的合格区间来判别磁瓦是否存在缺陷。实验结果显示,该算法对倒角不合格、偏磨、掉块和起层等缺陷的识别效果较好,可将磁瓦表面存在的显著缺陷准确地检测出来。     

磁瓦表面缺陷机器视觉检测与识别方法

针对磁瓦生产过程中表面缺陷检测的重要性和人工检测的弊端,研究基于机器视 觉的磁瓦表面缺陷自动检测与识别方法。为解决磁瓦表面缺陷种类多、对比度低、图像中存在 磨痕纹理背景和整体亮度不均匀等难点,定义扫描线梯度,其标准差与扫描线灰度标准差构成 特征向量,提出基于两类支持向量机的图像分割方法来判别和提取缺陷;并提出一种改进的多 类支持向量机方法,对缺陷进行分类识别,解决了多类支持向量机存在不可分区域的问题,提 高了分类器的准确性和有效性。实验结果表明,该方法能准确快速地提检测磁瓦表面各区域的 各类缺陷,检出率可达到96%以上,识别率超过91%。     

基于语义分割的钢轨表面缺陷实时检测系统

钢轨表面缺陷检测是铁路日常检测的重要部分,根据现代铁路自动化检测技术对实时检测和适应性的要求,构建了一个完整的钢轨表面缺陷识别和分析系统.根据机器视觉的基本原理,设计了一种带有LED辅助光源和遮光箱的图像采集装置,并将采集到的图像进行人工标注,建立了一个较为庞大的具有语义分割标注的钢轨表面缺陷数据集;将高级语义分割技术应用于钢轨图像分析,利用一种级联自编码结构(CASAE)的语义分割网络,将缺陷图像转化为基于语义分割的像素级预测掩码,并通过紧凑型卷积神经网络(CNN)将分割结果进行分类,从而实现钢轨表面缺陷的识别与分类;构建了智能化的人机交互系统,并将系统通过仿真实验的方式进行测试.实验结果表明,系统的检测准确率达到90％以上,每幅图像的平均处理时间为245.61 ms,可以在一定程度上代替人工检测,实现对钢轨缺陷的数字化管理.     

基于语义分割的钢轨表面缺陷实时检测系统

钢轨表面缺陷检测是铁路日常检测的重要部分,根据现代铁路自动化检测技术对实时检测和适应性的要求,构建了一个完整的钢轨表面缺陷识别和分析系统.根据机器视觉的基本原理,设计了一种带有LED辅助光源和遮光箱的图像采集装置,并将采集到的图像进行人工标注,建立了一个较为庞大的具有语义分割标注的钢轨表面缺陷数据集;将高级语义分割技术应用于钢轨图像分析,利用一种级联自编码结构(CASAE)的语义分割网络,将缺陷图像转化为基于语义分割的像素级预测掩码,并通过紧凑型卷积神经网络(CNN)将分割结果进行分类,从而实现钢轨表面缺陷的识别与分类;构建了智能化的人机交互系统,并将系统通过仿真实验的方式进行测试.实验结果表明,系统的检测准确率达到90％以上,每幅图像的平均处理时间为245.61 ms,可以在一定程度上代替人工检测,实现对钢轨缺陷的数字化管理.     

基于机器视觉的荧光磁粉自动检测系统设计

现有荧光缺陷检测技术主要采用人眼视觉判定与半自动化等方式,针对目前存在的检测效率低、对人体辐射损伤大等问题,提出一种基于机器视觉的荧光磁粉自动检测流水线系统。该系统具备自动磁化、缺陷检测及智能分拣等功能,实现检测过程的全自动;采用基于梯度聚类算法的磁痕缺陷识别方法,可根据缺陷特征进行检测模式分类,以提高缺陷检测的准确性。实验结果表明:该系统实现工件缺陷的全自动化检测,平均识别正确率高达98. 53%,检测效果较好,具有较高推广价值。     

荧光磁粉无损检测系统自动化

讨论了凸轮轴荧光磁粉无损检测自动化系统的实现。提出以微计算机为中心的自动控制系统,以主计算机控制PLC磁粉探伤机和步进电机,工件的探伤过程与图像处理过程并行运行,实现了裂纹磁痕的自动识别。     

基于CNN的工件缺陷检测方法研究

将卷积神经网络(CNN)应用于工件缺陷检测,来检测工件在生产过程中表面出现的缺陷,以提高工件的生产质量。利用CNN可以对工件的图案进行识别,但识别无法检测出细微缺陷的问题。在CNN进行工件图案识别的基础上,研究一种利用CNN实现缺陷检测的方法。该方法通过扩充缺陷样本,利用CNN识别的中间输出参数,定义了缺陷分辨率的概念来衡量缺陷的程度,当缺陷分辨率达到一定水平时则认为是无缺陷图案,否则认为其存在缺陷。实验验证了提出的CNN工件缺陷检测方法的有效性,数据表明缺陷检出率可达到 93.3%。     

基于旧电表机械自动化分拣及检测技术研究

常用分拣检测技术识别工件类别时,忽略机械图像的深度信息,导致工件识别精度和识别效率较差。为此,研究基于旧电表机械自动化分拣及检测技术。摄像机采集旧电表工件视频信息,转换视频帧为数字图像,预处理后提取图像边缘信息和深度信息,识别旧电表工件位姿,判别工件类别,利用PLC发出执行信号,控制机械手到达抓取位置,分拣识别出的旧电表工件,输入边缘特征和深度特征至卷积神经网络,预测工件类别,检验分拣是否准确。实验结果表明方法可提高工件分拣的准确率和召回率,提高旧电表工件识别精度和识别效率。     

基于小波变换的磁粉缺陷图像特征提取与检测

荧光磁粉检测技术是一种常见的无损探伤技术,常用于成品、半成品以及原材料的检验,以确保工件质量的可靠性。小波变换作为分析信号频率分量的数学工具,已成功地应用于图像处理的各个领域。将图像小波技术与磁粉探伤技术相结合,能快速、有效地提取出工件的缺陷特征。目前,磁粉缺陷检测通常通过肉眼观察,不仅速度慢,而且效率低。为了在工业生产中实现自动化、提高检测效率、拓展小波变换的实际应用,提出了一套基于小波变换的自动识别方法,并将其用于检测缺陷。首先,利用小波分析方法提取缺陷特征。图像经过小波变换后,可获得其低频系数和高频系数。高频系数较好地保存了图像的边缘信息(缺陷信息)。然后,对高频系数分量进行垂直投影等基础图像处理操作,以获取缺陷特征。最后,使用BP神经网络进行分类识别。测试结果表明,该系统对工件上的裂纹缺陷和凹坑缺陷具有良好的检测效果。     

管道腐蚀检测中的脉冲漏磁检测技术

漏磁检测技术广泛应用于管道等铁磁性材质的检测;由于常规漏磁检测的局限性,往往难以检测近表面和表面下缺陷;在分析漏磁检测原理基础上,采用脉冲交流磁化方式;介绍了脉冲漏磁检测系统,并对不同深度的缺陷钢管试件进行了试验,试验结果表明提取脉冲漏磁检测传感器(径向分量)输出的瞬态输出电压信号可对表面和表面下腐蚀缺陷进行有效识别;脉冲漏磁检测方法综合了漏磁检测和脉冲涡流检测的优点,具有快速、定量检测的特点,在管道等的缺陷检测中具有广阔的应用前景。     

钢管端头盲区高速干磁粉成像检测方法

在漏磁无损探伤中,钢管端头存在端部效应,会造成钢管端头的检测盲区。为了消除管端缺陷检测的盲区,实现端头盲区的高速检测,提出了一种基于干磁粉成像的视觉检测方法。该方法通过在钢管端部表面施加干法红色磁粉,利用漏磁检测的磁化场形成磁痕,在互补的红色和绿色光源下分别成像,其中红色光源增强、绿色光源减弱磁痕灰度,并通过图像差分消除背景噪声和增强磁痕特征,从而准确地实现钢管端头盲区的快速检测。通过搭建实验平台,开展实验及图像处理耗时分析,结果表明,该方法可以实现对钢管端头盲区的高速有效检测。     

基于GPU的金属工件表面缺陷检测算法的研究

在金属工件的生产过程中,不可避免地会生产出一些不良品,必须进行快速识别。缺陷检测系统需使用图像采集设备采集金属工件的表面图像,完成混合噪声滤除等预处理后,进行图像配准并使用差影法分割图像,然后标记缺陷和提取缺陷纹理特征,最后进行工件缺陷的分类和识别。为了提高金属工件表面检测系统的检测速度,以满足高速生产流水线对检测系统的高实时性要求,依托GPU平台设计了一套合理的并行算法来完成不合格工件的自动检出工作。实验结果表明,在满足检测精度的前提下,基于GPU的并行图像处理算法相对于串行算法能取得较好的加速效果(实验环境为3.2~10.3倍加速比),为工件表面缺陷的快速检测提供了一种新的途径。     

基于FESTO自动化仓库系统工件的图像识别研究

针对德国FESTO公司自动化仓库系统的工件识别问题,采用图像识别技术识别工件的颜色和位置,实现仓库信息的实时反馈。运用MATLAB软件采用RGB算法提取仓储工件颜色特征,通过向量组合形成该图像特征值。对所有样本的图像特征输入BP神经网络进行训练,并将经过处理的实时图像数据存储在INFOR数组中。在自动化仓库系统运行中,利用INFOR数组和实时图像对比,实现对工件的颜色识别与位置识别。     

基于荧光磁粉图像的缺陷检测技术

荧光磁粉无损检测因具有缺陷显示直观、灵敏度高、检测速度快且成本低等优点而被广泛采用。在分析工件表面缺陷的荧光磁粉图像显示特性基础上,研究缺陷图像的平滑去噪和分割等处理算法,提出基于加权模板和自适应邻域选择的图像平滑算法,并将Ridler自适应阈值法应用于缺陷图像分割。实验结果表明,此种方法能够很好地去除伪缺陷,将图像中工件的真实缺陷从背景区域中完整地提取出来,为荧光磁粉自动化无损检测打下良好的基础。     

基于图像处理的铁轨表面缺陷检测算法

对铁路轨道表面缺陷进行检测是保证铁路运输安全的重要手段之一，该文采用计算机图像处理技术对铁路轨道表面的缺陷进行自动化检测，提出了轨道表面缺陷检测的系统设计方案，给出了一种利用图像灰度信息的快速、实时检测算法。实验验证了算法的有效性和高效性。     

荧光磁粉自动无损检测系统

介绍了凸轮轴荧光磁粉自动无损检测系统 ,该系统以微机为核心 ,通过与PLC的串行通信实现对磁粉探伤机工作过程的控制 ,通过并行口对步进电动机驱动装置的控制实现工件的可控旋转 ,并实时采集工件磁痕图象进行处理和识别     

轴承防尘盖缺陷机器视觉自动检测方法研究

轴承防尘盖在装配过程中易出现各种擦伤、压痕等缺陷，从而影响配套主机的精度、可靠性及寿命，急需研发自动化的轴承表面缺陷检测设备来提高我国轴承生产水平。采用自主设计的自动化检测设备，利用机器视觉结合图像处理方法对轴承表面图像进行采集、分析和处理；采用连通域检测和轮廓筛选方法对轴承外轮廓进行提取；采用最小二乘法拟合外轮廓圆得到圆心及外径，结合半径占比分离法实现防尘盖圆环区域的提取；采用改进算法对防尘盖圆环图像进行展开以避免图像展开时字符或缺陷的误分割；采用垂直方向投影法分离字符区和非字符区，通过连通域检测法对两部分是否存在缺陷分别进行判别。实验结果表明，采用自主设计的轴承检测设备结合最小二乘法、OTSU法、改进的图像展开和投影算法，可实现轴承防尘盖缺陷的自动化检测，正确识别率为96.9%。     

视觉注意力网络在工件表面缺陷检测中的应用

工件表面缺陷检测是现代化工业生产中不可缺少的环节,利用卷积神经网络实现工件表面缺陷检测能有效地提升检测效果.当工件表面出现微小缺陷时,缺陷部分的特征容易被其他区域的特征所掩盖,影响检测的准确率.针对这一问题,提出了每级由3个卷积模块和一个视觉注意力模块构成的3级视觉注意力网络.通过注意力模块生成软注意力模板,为卷积模块构成的主干网络的特征图加权,增强缺陷区域特征并抑制背景区域特征,提升缺陷检测的准确率.实验采用具有明显缺陷和微小缺陷的5类工件图像进行对比测试,结果表明,软注意力模板在容易出现缺陷的区域具有更高的权值;加入视觉注意力模块能将缺陷检测的准确率从90.9%提升至98.1%.