基于深度学习的包装缺陷快速检测方法

包装缺陷在线检测对提升产品质量具有重要意义.针对工业生产中人工目检效率低、漏检率高,以及基于显式特征提取的缺陷检测方法通用性差、特征提取复杂、缺陷区域占比小等问题,本文提出了基于迁移学习的改进MobilenetV2轻量化网络的包装缺陷快速检测方法,并利用某工厂糖果产线包装质检环节存在的4种表面缺陷对其进行测试.结果 表明,该方法具有检测速度快、缺陷正确检测率高等优点,单个产品处理时间为0.053 s,验证集上缺陷识别率为98.333％,在线测试缺陷品召回率为96.596％,在检测精度较高的同时能满足高速产线的实时性需求,最高支持2 m/s的传送带运行速度.     

基于YOLOv5s的铝型材表观缺陷检测方法

目前,在铝制品的加工生产过程中,缺陷检测环节仍以人眼观测为主,这种传统方式存在检测精度差和检测效率低等缺陷,为此,提出基于YOLOv5s的铝型材表观缺陷检测方法。针对具有9种缺陷的铝型材图像,使用labelimg进行标注,构建了铝型材数据集。基于该数据集,以YOLOv5s、YOLOv5m、YOLOv5l在COCO数据集上训练好的权值作为初始权值,对该3种模型进一步迭代训练,并将最优权重进行测试。对比3种模型的实验结果,决定采用YOLOv5s作为铝型材表观缺陷检测的模型,其测试精确度P、召回率R、均值平均精度mAP分别达到了0.684、0.742、0.692。并基于该模型,采用PyQt5开发了铝型材表观缺陷检测系统,其检测速率可达98Fps左右,可以很好地满足实时性要求,从而为铝型材表观缺陷检测提供了有效的参考方案。     

列车车轮踏面缺陷的图像区域提取

建立了基于机器视觉的踏面缺陷检测系统,研究了该系统的踏面缺陷图像区域提取技术.采用基于平稳小波自适应阈值算法提取踏面区域;然后,根据踏面剥离缺陷图像特征,利用基于分块思想的粗定位和精定位组合的方法提取剥离图像区域;最后,根据踏面擦伤缺陷图像特征,利用基于踏面边缘线扫描搜索擦伤区域的方法提取擦伤图像区域.用两个实例验证了提出方法的有效性,实验结果表明:系统对剥离和擦伤两种缺陷的漏识率分别为8.3%和5.3%,误识率为5.1%,从而为后续特征提取和缺陷识别奠定了基础.     

基于纹理脊线特征融合的木材表面裂缝检测

裂缝是木材表面一种严重缺陷,对木材的加工和使用影响极大,然而,由于裂缝与木材表面的矿物线具有诸多相似之处,因此如何准确地将裂缝纹理识别出来是一个亟待解决的问题。提出了一种基于纹理脊线特征融合的检测方法,首先建立纹理脊线灰度和形态特征提取基本模型;然后分割出木材表面全部纹理区域,并根据模糊规则提取出条状纹理,包括裂缝和矿物线;最后根据建立的模型提取条状纹理的两种脊线特征,并进行特征信息融合得到复合判别因子,最终通过融合结果与预设阈值的数值关系识别裂缝纹理。在自建图库上进行了测试,结果显示所用方法对裂缝缺陷识别的等误率仅为4.64%,相对于其他经典特征提取和纹理识别方法其等误率最少降低了10.06%,表明了本方法的高效性,具有实际应用价值。     

无缝钢管斜轧穿孔顶头表面缺陷非接触在线检测方法

针对无缝钢管斜轧穿孔顶头表面缺陷在线检测的现实需求，提出了一种基于激光扫描、空间点云数据处理及深度学习的非接触测量方法。根据无缝钢管产线特点确定了检测位置、系统构成和顶头轮廓数据采集方案，并引入迭代最近点（ICP）配准方法，实现了测量点云与标准CAD模型的配准。针对头部缺陷设计了相应的分类数集和渐变形态，使用点云深度学习方法实现了缺陷精确分类和量化预警。针对表面磨损缺陷，设置磨损深度上限阈值以实现磨损程度的精确监测。为验证系统可靠性，搭建了顶头检测物理模拟平台，并利用3D打印技术定制了含有不同缺陷特征的顶头实物模型。测试结果表明，表面轮廓检测误差在0.06 mm以内，头部缺陷分类精度可达97.7%、准确度可达98.1%，满足在线检测要求。     

基于视觉感知的表面缺陷检测综述

基于视觉感知的表面缺陷检测，具有高效、可防止二次损伤等优点，被广泛应用于各种工业场景中。近年来深度学习技术的快速发展进一步推动了视觉缺陷检测的进步与应用。以特征的显式提取与自动提取为思路，对基于视觉感知的缺陷检测方法进行综述和分析。首先，简要描述了视觉缺陷检测系统的基本构成，将缺陷检测中的视觉感知归为分类、目标检测和分割3个层次。然后，将现有的视觉检测方法分为基于显式特征提取的(传统方法)和基于自动特征提取的(深度学习方法)。进一步，将基于显式特征提取的方法分为统计法、谱方法和模型法3类，将基于自动特征提取的方法分为整图分类的、目标检测的和像素分割的方法。对每一类方法的特点和适用场景进行了归纳总结与分析。同时，针对工业应用中数据获取成本高的问题，介绍了近年来出现的弱监督缺陷检测方法与异常检测方法，并介绍了具有较大影响力的工业表面缺陷数据集。最后，针对如何减少对大量标注数据的依赖和如何提高检测方法在工业现场的适用性两个关键问题展开讨论，展望了该领域下一步的研究方向。     

基于深度学习模型融合的铸件缺陷自动检测

针对目前铸件缺陷检测漏检率高的问题,提出一种基于深度学习模型融合的铸件缺陷检测方法。 首先对 Faster RCNN 网络进行改进,利用特征金字塔结构改进特征提取网络模块,实现多尺度的特征融合,完成铸件缺陷的特征提取;然后,基于 ROI Align 对网络中的 ROI 池化层进行改进,将 IOU 分数引入 NMS 算法判定过程;再将改进后的网络与 Cascade RCNN 以及 YOLOv3 进行融合;最后进行实验研究,验证了融合模型能够有效降低铸件缺陷的漏检率。 实验结果表明,将感兴趣区域池化 改进后,在 Faster RCNN 模型中的缺陷召回率提升了 1. 73% ,在本文网络模型中的缺陷召回率提升了 4. 08% ;采用模型融合的 方法在不考虑分类准确度的情况下,整个模型的缺陷识别率达到 95. 71% ,与单个模型相比,在保证铸件缺陷检测准确率的同 时,提高了缺陷检测的召回率,满足了工业应用的要求。     

一种小包烟包装质量在线检测仪设计

针对许多卷烟企业对小包烟包装质量精密检测的需要,提出了一种基于机器视觉技术的包装质量在线检测仪的设计方案.首先介绍了该检测仪的组成、工作原理,然后通过大量判断性实验对关键件进行了选型和设计了机械结构,并对小包烟包装质量检测若干图像处理技术进行了研究,最后制造出一台样机进行了包装质量缺陷样品和在线实时检测的设计验证.结果表明:设计方案可行,仪器实用可靠,可推广应用到小包烟生产现场中.     

基于智能图像识别的烟盒包装质量快速检测系统的研究

提出一种基于智能图像识别技术的烟盒包装瑕疵检测方法,将图像处理为灰度值矩阵后,通过感兴趣区域和 Sobel 算子边框查找法进行瑕疵快速识别。提出一种基于机器学习和 SVM s 模式识别的分级算法,实现包装瑕疵的快速分类。建立了盒装香烟包装质量检测系统模型,验证所提算法具有正确识别率高和误判率合理等优点,对构建基于智能图像识别的产品检测系统具有一定的工业参考价值。     

采用Gerber文档的印刷电路板表观检测

对印刷电路板(PCB)进行表观检测时,传统标准板的图像建立是利用PCB图像自身的特征进行配准和分层的,故检测精度不高.本文从PCB表观检测的实际需求出发,提出了新的检测系统.该检测系统引入解析Gerber文档对PCB光电图像进行分层处理,利用形态学的方法自动修正解析后的Gerber文档,建立精确的标准板.根据主分量分析提取彩色图像频带丰富的信息,依据检测缺陷的尺寸大小设置各层模板及检测阈值,实现局部针对性检测,提高检测精度.实验结果表明,与传统的基于颜色分区域方法相比,基于Gerber的方法不仅提高了检测精度,且较大幅度地提高了自动光学检测系统的检测效率,其微小缺陷检测率高达95.1％,25 cm×22 em电路板检测时间仅需1.09 s,满足了在线检测对速度的要求.