基于无人机视觉的起重机表面裂纹检测方法

为解决起重机高空金属结构不可达部位裂纹的远程可视化检测难题,提出一种基于无人机视觉的结构表面裂纹检测与识别方法。通过搭载高分辨率可见光相机的倒置式无人机检测平台,全方位采集大型起重机复杂钢结构表面图像;采用Faster R-CNN深度神经网络算法分类检测是否有裂纹缺陷,并以缺陷最小外接矩形框标记其位置;对检测出的裂纹目标框区域,利用最大熵阈值分割、Canny边缘检测、投影特征提取和骨架提取等方法,对裂纹长度、宽度、面积、长宽比等参数进行识别,并为长宽比和面积设置一定阈值,去除漆膜开裂和水渍等伪裂纹缺陷。实验结果表明,Faster R-CNN裂纹检测算法准确率达到95.4%,速度达到2 f/s,同时裂纹宽度识别误差约为5.84%,实现了起重机结构表面疲劳裂纹的远程自动化检测。     

晶圆表面缺陷模式的在线探测与自适应识别研究

晶圆表面的缺陷通常反映了半导体制造过程存在的异常问题,通过探测与识别晶圆表面缺陷模式,可及时诊断故障源并进行在线调整。提出了一种晶圆表面缺陷模式的在线探测与自适应识别模型。首先该模型对晶圆表面的缺陷模式进行特征提取,基于特征集对每种晶圆模式构建相应的隐马尔科夫模型（Hidden Markov Model,HMM）,并提出基于HMM动态集成的晶圆缺陷在线探测与识别方法。提出的模型成功应用于WM-811K数据库的晶圆缺陷检测与识别中,实验结果充分证明了该模型的有效性与实用性。     

分形理论在近表面缺陷超声A扫检测中的应用

针对超声相控阵无损检测(NDT)中近表面缺陷识别困难的问题,提出一种基于分形理论的近表面缺陷智能识别方法。运用基于线性插值的盒计数维数算法,计算140组超声A扫(A-Scan)信号的盒计数维数,并运用统计的方法详细分析其分布情况。实验结果表明超声A-scan信号具有分形特性,分形理论可应用于A-Scan信号分析;而且有无缺陷信号的盒维数分布区间差异明显,盒维数可作为A-Scan信号的特征识别近表面缺陷。在超声相控阵自动化检测中,运用分形理论能提高近表面缺陷的检出率,减少人为因素引起的漏检。     

基于LabVIEW的钢杆裂纹定量识别技术的研究

介绍基于LabVIEW的钢材表面裂纹定量识别技术，设计了基于LabVIEW的钢杆裂纹定量检测系统，并时钢杆表面横向裂纹缺陷进行模拟实验。初步建立数学模型，通过评判得到反映裂纹状况的定量检测结果。从而验证了该方法的可行性和有效性。并得出相关的结论。     

大数据环境下超声波焊缝缺陷识别方法的研究

为了解决常规超声波焊缝缺陷识别方法分类模型固定和训练集规模有限而难以体现不同缺陷的差异性和同类缺陷的多态性的问题,结合当今大数据环境下的数据分析策略和基因缺陷识别中匹配的思想,通过主成分分析和CURE聚类算法将缺陷回波信号编码转换成可进行匹配的对象,进而将当前检测缺陷特征与历史检测数据进行匹配,并利用最近邻方法实现了对缺陷历史检测数据集的扩充。通过在R上应用基于基本空位罚分的Smith-Waterman比对算法进行仿真实验验证了该缺陷识别方法是可行的,有效地识别了气孔、夹渣、裂纹、未焊透和未熔合五类常见缺陷,具有较好的识别准确率。     

基于支持向量机的超声检测缺陷识别研究

为解决超声检测领域传统人工神经网络方法对于小样本进行缺陷识别时存在的泛化能力差和过学习等问题,提出了一种基于支持向量机的超声检测缺陷识别方法.先使用小波分解对信号进行降噪,再使用小波包变换提取特征值,构造多类分类支持向量机进行缺陷识别.实验结果表明,支持向量机方法具有识别率高、泛化能力强等优点,能够应用于超声检测缺陷识别领域.     

基于路图特征和SVM的钢轨裂纹识别

为了进一步提升钢轨裂纹的识别精度,从新特征的角度出发,提出一种基于路图特征和支持向量机(Support Vector Machine,SVM)的钢轨裂纹识别方法。该方法基于图信号处理与图谱理论,计算由钢轨裂纹时域漏磁(Magnetic Flux Leakage,MFL)信号转换得到的路图信号的“时域”和“频域”统计量作为钢轨裂纹MFL信号的特征训练SVM分类器,有效实现了不同缺陷参数的钢轨裂纹识别。基于钢轨裂纹漏磁检测平台实测数据验证所提方法的有效性。实验结果表明,相比于传统漏磁信号特征,采用路图特征在钢轨裂纹识别中的精度更高、稳定性更好。     

基于光电测量技术的光学元件表面缺陷自动识别方法研究

随着先进光学仪器、精密测量技术的迅速发展,通常利用接触式、非接触式检测方案,对某些光学元件表面存在的缺陷问题进行人工或自动识别.提出了基于光电测量技术的光场复振幅识别、表面轮廓特征识别方案,结合Harris算子角点识别方法,对光学元件涉及到的尺寸、纹理、缺陷位置、缺陷梯度等数据参量,展开全方位的表面检测与识别,自动缺陷识别的误识率小于1％、漏识率小于2％,在识别效率、识别精度方面具有较大优势.     

磁粉探伤钢轴表面裂纹智能识别方法研究

荧光磁粉探伤被广泛应用于钢轴表面以及近表面缺陷检测。目前的检测手段主要依赖于人工识别缺陷。长期暗室工作条件会严重影响人的身体健康。为实现检测过程自动化,提出了一种将机器视觉与图像处理技术应用于磁痕图像缺陷判别的智能识别手段。通过工业相机获取磁痕图像。对获得的磁痕图像,利用色彩叠加原理,去除金属表面反光对成像质量的影响;同时,为保证检测算法的实时性,使用模板匹配技术确定工件在图像中出现的位置;提取工件所在区域的纹理特征,利用神经网络分类器实现对钢轴表面缺陷的自动分类,减少了人为因素对判别结果的影响。结果表明:该方法对工件表面裂纹和纤维物、磁悬液堆积等伪缺陷具有更高的识别率和更快的识别速度,可实现工件表面缺陷检测的自动化。     

高频噪声下的螺栓表面缺陷检测

螺栓在很多领域内应用广泛,但在制造和加工过程中可能会出现缺陷问题,螺栓表面缺陷的存在将很大程度影响其使用寿命,并可能造成安全隐患.为了更好地检测螺栓表面缺陷,同时提高检测的速度与精度,应用机器视觉相关技术,针对螺栓表面纹理复杂、具有高频噪声难以检测的问题,提出了基于连通域自定义形状描述子的滤波算法.首先通过图像预处理与局部自适应二值化算法得到需要滤波的图像,再根据自定义的形状描述子对连通域进行高效滤波,最后经过后处理得到螺栓表面的缺陷检测结果.提出的算法能准确检测出高频噪声下的螺栓表面缺陷,并为复杂纹理下基于图像的无损质量检测技术提供了新的思路.