基于前馈神经网络的储油罐底板焊缝表面缺陷检测方法

为了有效解决储油罐底板焊缝缺陷检测过程中存在速度慢、检测结果不准确等问题，提出一种基于前馈神经网络的储油罐底板焊缝表面缺陷检测方法。分析相机捕获的储油罐底板焊缝图像各像素之间的相关性和椒盐噪声特点，通过支持向量机(SVM)分类器识别图像中的噪声，重构图像，完成去噪处理。通过基于泛化的增量式二维主成分分析的特征提取方法(GI2DPCA)提取储油罐底板焊缝图像的特征，引入前馈神经网络，构建基于前馈神经网络的储油罐底板焊缝表面缺陷检测模型，将提取到的特征输入到模型完成缺陷检测。试验测试结果表明，所提方法能以较短的时间和较高的检测精度完成缺陷检测。     

基于最小二乘支持向量机的激光拼焊焊缝识别

激光拼焊焊缝质量结构光视觉检测中,对焊缝的准确识别是实现高精度检测的关键. 针对检测图像中结构光光纹畸变特征不明显,无法准确识别焊缝的问题,依据焊缝纹理特征信息,提出了一种基于最小二乘支持向量机的焊缝识别方法. 首先,分析并提取焊缝区和非焊缝区差异明显的纹理特征. 其次,训练最小二乘支持向量机模型,对焊缝进行粗识别. 最后,采用Laws纹理滤波提取焊缝区域,并通过阈值分割方法精确识别焊缝. 针对不同工艺参数下的激光拼焊焊缝开展焊缝识别试验,结果表明,该方法能够有效地识别焊缝.     

铝合金爬坡TIG焊熔池失稳状态的视觉检测

对焊接过程中的熔池状态进行视觉检测是实现焊缝质量在线监测的重要手段. 针对中厚板铝合金爬坡钨极氦弧焊过程易出现的熔池失稳和成形缺陷问题,提出了一种基于熔池图像特征的钨极惰性气体保护焊(TIG)焊接状态监测方法. 基于构建的被动视觉传感系统,实现强弧光干扰条件下清晰熔池图像的获取. 提出了一种基于Otsu’s阈值分割和视觉显著性特征(VSF)的氦弧焊熔池图像处理算法,用于提取熔池图像的形态特征,并分析了所提取视觉特征与铝合金爬坡TIG焊过程稳定性的关系. 最后建立了支持向量机(SVM)模型实现熔池稳定性状态的在线识别. 结果表明,相对于熔池轮廓几何特征,熔池尾端熔融金属的形态特征能够更有效地反映出铝合金爬坡TIG焊过程中出现的熔池不稳定状态. 所建立的焊接状态分类模型在单一特征输入条件下,最高准确率达到95.94%. 所提出的实时检测方法为大型铝合金构件TIG焊缝成形缺陷的在线智能诊断与工艺优化提供了基础.     

焊接缺陷磁光成像纹理特征GLCM-Gabor识别方法

一种基于磁光图像纹理特征的焊接缺陷无损检测方法,首先用法拉第磁致旋光效应,结合漏磁场及磁畴理论分析焊接缺陷与磁光图像关系.针对缺陷磁光图像特点,通过灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取磁光图像纹理特征.由于裂纹和凹坑的GLCM纹理特征参数区分度不高,提出用Gabor变换法进一步提取磁光图像纹理特征.将GLCM-Gabor纹理特征作为输入量,用支持向量机(support vector machine,SVM)构造缺陷分类模型.结果表明,该方法可有效识别焊缝表面及亚表面特征(凹坑、裂纹、未熔透、无缺陷),分类模型整体识别率可达89.7%.     

管屏拼焊焊缝表面缺陷的激光视觉检测方法

针对管屏多道焊缝表面缺陷存在焊缝定位困难、计算量过大的问题,文中提出一种管屏拼焊焊缝表面缺陷激光视觉检测方法,建立基于激光视觉的管屏焊缝检测系统,并基于激光视觉相机拍摄管屏图像。分析管屏特征并结合形态学操作定位焊缝,使用高维多项式拟合解决焊缝缺陷快速检测问题,实现了对管屏拼焊表面缺陷的快速检测。结果表明,该检测方案能识别的最小缺陷为1 mm2,检测速度为0.438 m/s,提升了管屏焊缝表面缺陷的检测效率,解决了曲面焊缝定位难、数据量大的难题,实现快速对大量焊缝轮廓进行检测,并符合应用要求。 创新点： (1)提出了一种管屏拼焊焊缝表面缺陷激光视觉检测方案,提升管屏焊缝表面缺陷检测效率。 (2)提出了基于高阶曲面的焊缝缺陷检测方法,实现快速对大量焊缝轮廓进行检测。 (3)管屏拼焊焊缝表面缺陷激光视觉检测方法经过数据集验证,效率和精度均满足应用要求。     

基于机器视觉的升船机凸齿焊缝检测方法

为了获取精准的焊缝检测结果,文中提出一种基于机器视觉的升船机凸齿焊缝检测方法。建立基于机器视觉的X射线焊缝底片采集平台,通过需求确定采集方案进行图像采集。将采集的底片作为研究对象,以广义交叉验证准则为优化目标,通过序列二次规划算法优化处理非降采样轮廓波变换(NSCT)域的去噪阈值,获取最优去噪阈值。在确定阈值后,采用非线性阈值函数处理Contourlet系数,获取去噪后的图像。引入梯度方向直方图算法提取升船机凸齿焊缝图像特征,将二叉树支持向量机(SVM)作为分类模型完成特征学习及升船机凸齿焊缝检测。试验结果表明,文中方法不仅可以获取精准的焊缝检测结果,同时还能够提高焊缝检测效率。     

基于机器视觉的金属板材表面缺陷光学检测技术

为了解决传统金属表面质量检测技术的缺陷检测精度不高、缺陷检测识别率不高、缺陷分类不准确的难题,搭建了一套基于机器视觉的金属板材表面检测系统。基于偏微分方程,利用图像等照度线改进中值滤波算法,对图像进行预处理,显著地抑制了图像的噪声。利用最大类间方差算法(OTSU)自适应确定一图像双阈值,改进了Canny算法中高斯滤波器对图像的灰度分布特征提取,使其不受亮度和对比度的影响。最后,利用SIFT(Scale-invariant Feature Transform)算法提取缺陷特征点,提出一种BP(Back Propagation)神经网络和SVM(Support Vector Machine)向量机结合分类器的检测方法,缺陷检出率为926.8%,单幅图像检测仅需498.ms,该缺陷检测系统对金属板材表面缺陷能有效提取与识别,满足金属板材表面在线检测的要求。     

盘型激光焊接状态多传感信息融合分析

针对大功率盘型激光焊接状态,研究一种基于支持向量机的多传感信息融合分析方法. 使用紫外、可视和红外波段的两个高速摄像机同时获取激光焊接过程中金属蒸气、飞溅和熔池动态图像. 通过模式识别技术提取焊接过程多传感信息特征及进行数据主成分特征分析,并以焊缝宽度变化作为衡量焊接状态稳定性的参数. 运用支持向量机融合各特征,通过网格搜索和粒子群算法优化支持向量机参数,建立基于支持向量机的多传感信息融合模型. 结果表明,支持向量机多传感信息融合方法能够有效预测焊缝宽度变化趋势,为大功率盘型激光焊接状态的实时监控提供试验依据.     

基于支持向量机的焊缝超声TOFD缺陷分类识别

为了实现对大型厚壁压力容器焊缝缺陷的准确识别,提高缺陷评定的准确性和检测效率,在基于标记的改进分水岭TOFD检测图像分割的基础上,结合典型缺陷图像的纹理特征,从图像空间域和频域特征,分别利用局部相位量化和局部二值模式获取缺陷区域的局部邻域特征参数,将二者特征参数进行归一化融合,再将融合特征向量用支持向量机进行分类识别。试验结果表明,检测图像4×4分块后提取的熔合特征识别率最优,分类识别正确率达到87.10%。     

基于PSO-SVM的FPC焊盘表面缺陷检测研究

针对柔性线路板(FPC)焊盘表面的缺陷检测,建立了一种利用粒子群算法(PSO)进行参数寻优的PSO-SVM分类识别模型。首先通过OTSU法将焊盘从原始图像中分割出来,然后对其5种表面缺陷从形状、灰度、纹理三个方面提取了14维特征,接着用粒子群算法方法对支持向量机的参数优化以获得较高的识别准确率,最后对缺陷样本进行分类识别,并将其与GS-SVM和BP神经网络分类性能进行对比。实验证明了该方法可以对焊盘缺陷进行准确的分类识别。     

基于深度学习的微小元器件智能在线检测系统

为了解决多种微小元器件的尺寸、位置、方向和缺陷自动化在线检测难的问题,提出一套机器视觉和深度学习相结合的智能在线检测系统.通过搭建视觉检测系统采集微小元器件的图像,并对图像进行图像预处理、二值化、滤波、边缘轮廓特征提取以及模板匹配等处理,实现了多种微小元器件尺寸、位置和方向的在线检测.针对微小元器件表面缺陷,提出一种基...     

基于二值化赋范梯度的中厚板表面缺陷检测

目的 针对中厚板表面复杂、缺陷识别率低的问题,设计一种有效的候选窗口提取方法,提升中厚板表面缺陷检测的准确性与实时性。方法 引入视觉选择性注意机制,采用一种基于二值化赋范梯度特征（Binarized Normed Gradients,BING）的一般对象估计算法来快速准确地提取缺陷感兴趣区域（Region of Interest ,ROI）,有效缩短搜寻过程。首先将样本归一化到8×8大小,提取规范化梯度特征（Normed Gradients,NG）,学习一个测量显著性的线性SVM分类器来预测图像窗口含有缺陷的可能性。然后再通过样本尺度优化显著性评分,学习一个校准显著评分的线性SVM分类器。最后将两个SVM模型级联,用于在线检测,提取缺陷感兴趣区域。结果 将训练好的BING模型与Inception-V3卷积神经网络相结合,用于中厚板表面缺陷检测与识别,BING算法有效减少了ROI数量,在ROI数量为500的情况下,达到了98.2%的召回率。结论 在保证缺陷召回率的前提下,BING生成的ROI数量比滑动窗口遍历方式少2个数量级,有效减少了后续识别算法的计算量,有利于引入复杂的分类器提升中厚板表面缺陷识别的准确率。     

基于机器视觉的轴承字符识别技术的研究

针对轴承上字符的特点,提出了一种基于机器视觉的轴承字符自动识别方法,并利用C++和OpenCV计算机视觉库开发了识别软件。对轴承字符图像进行阈值分割,使用Sobel算子提取边缘轮廓,然后使用改进的圆检测算法定位环形字符区域,在经过极坐标变换后进行字符分割。最后提取改进的字符特征,使用支持向量机分类器进行字符识别。试验结果表明:该方法能有效识别轴承字符,而且识别率达到了95%以上,具有广阔的应用前景。     

On-line chatter detection and identification based on wavelet and support vector machine

Chatter is very harmful to precision machining process. To avoid cutting chatter effectively, a method based on wavelet and support vector machine is presented for chatter identification before it has fully developed. Wavelet transform, which can image the information in both the time and frequency domain, is applied as an amplification for the chatter premonition. Each wavelet packet's energy regularly changes during the development of the chatter, which has a time advantage for the identification. Therefore, a two-dimensional feature vector is constructed for chatter detection based on the standard deviation of wavelet transform and the wavelet packet energy ratio in the chatter-emerging frequency band. A support vector machine (SVM) is designed for pattern classification based on the feature vector. The intelligent recognition system, composed of the feature extraction and the SVM, has an accuracy rate of 95% for the identification of stable, transition and chatter state after being trained by the experiment data. The method can be applied in different machining processes.     

高强钢焊接缺陷磁光成像分形特征检测

研究一种基于磁光成像原理的焊接缺陷无损检测新方法.以高强钢表面微小焊接缺陷为例,采用分形维数对焊缝磁光图像进行特征识别并估计最优尺度,根据Adabost分类算法对提取的焊接缺陷特征进行分析和训练,构建焊接缺陷特征量并对高强钢表面缺陷磁光图像进行自动识别.结果表明,运用磁光成像方法可以获取高强钢焊接缺陷特征,并通过图像分形维数分析可识别焊缝缺陷的位置、形状和类别.     

基于激光视觉传感的角焊缝外形尺寸检测

针对目前角焊缝外形尺寸手工检测的缺点,采用了一种基于激光视觉传感的角焊缝外形尺寸检测方法.该方法利用基于三角形测量原理的激光传感器,采集反映焊缝几何形状特征的激光条纹图像,利用中值滤波、二值化、中心线提取以及特征识别等算法,从而获得了角焊缝的外形尺寸信息.结果表明,与传统的手工检测方法相比,该方法具有检测准确度高、可靠性好、耗时短、检测内容丰富、使用方便等特点,并且消除了人为主观判断的影响.此外,检测的数据可长久保存在计算机中,便于后续的统计分析.     

基于LBP-KPCA特征提取的焊缝超声检测缺陷分类方法

焊缝缺陷影响结构安全,缺陷定性是实现结构安全评价的重要基础.研究了一种基于一维局部二元模式（one-dimensional local binary pattern,1-D LBP）算法结合核主成分分析（kernel principal component analysis,KPCA）提取焊缝缺陷回波信号特征的方法.采用1-D LBP算法提取缺陷回波信号的LBP特征,通过KPCA对此LBP特征集进行主成分分析,选取贡献率之和超过90%的前N个主成分作为缺陷分类的特征向量,利用基于径向基核函数的支持向量机（support vector machine,SVM）实现了缺陷类型的自动分类.以夹渣、气孔和未焊透三类焊缝缺陷为对象,开展了缺陷特征提取及分类试验.结果表明,使用LBP-KPCA特征进行缺陷分类时,准确率达到96.7%,优于常规特征,为焊缝缺陷分类及无损评价提供了重要参考.     

基于Faster R-CNN的刨花板表面缺陷检测研究

为了克服刨花板表面缺陷人工目视检测的局限性,实现对多种缺陷准确、实时检测,提出一种基于Faster R-CNN的检测方法。运用从工厂生产现场获取的各种表面缺陷图,制作成一个包含3566张刨花板表面缺陷图像数据集,其中主要包括胶块、水印、砂痕、杂物、粗刨花5种缺陷类型。通过用该数据集对Faster R-CNN在ZF、VGG16和ResNet101不同特征提取网络下的不同锚点(Anchor)设置模型分别进行训练、验证和测试,并对比了不同参数对检测精度的影响。结果显示,该方法能有效检测刨花板表面缺陷,且模型在ResNet101作为特征提取网络时准确率最高。在对训练好的Faster R-CNN模型的鲁棒性进行评估和验证中,模型对122张新图像的5种缺陷类型进行检测,测试的5种缺陷类型识别率分别为92.31%、91.84%、90.57%、96.88%和95.24%,平均检测率为93.37%,测试结果表明该方法能为基于机器视觉刨花板表面缺陷检测系统提供良好支撑。