基于DeepLabV3+与超像素优化的语义分割

针对基于深度学习的DeepLabV3+语义分割算法在编码特征提取阶段大量细节信息被丢失,导致其在物体边缘部分分割效果不佳的问题,本文提出了基于DeepLabV3+与超像素优化的语义分割算法。首先,使用DeepLabV3+模型提取图像语义特征并得到粗糙的语义分割结果;然后,使用SLIC超像素分割算法将输入图像分割成超像素图像;最后,融合高层抽象的语义特征和超像素的细节信息,得到边缘优化的语义分割结果。在PASCAL VOC 2O12数据集上的实验表明,相比较DeepLabV3+语义分割算法,本文算法在物体边缘等细节部分有着更好的语义分割性能,其mIoU值达到83.8%,性能得到显著提高并达到了目前领先的水平。     

基于改进U-Net的工件表面缺陷分割方法

针对当前深度神经网络模型在检测小缺陷目标时性能较差的问题,提出了一种基于改进U-Net的工件表面缺陷分割方法。该方法设计了一种仅下采样3次的U型网络,在保持图像特征分辨率的同时获得足够的感受野,有效解决神经网络多次下采样造成的小目标信息丢失问题;引入Dice损失和Focal损失组成的混合损失函数,通过增强分割损失权重并抑制背景信息来提高分割效果,有效解决小缺陷目标的低概率密度问题。通过在表面缺陷数据集上的大量实验和分析,结果表明该算法能够很好地细分出缺陷区域,并在分割精度与速度之间获得平衡。     

基于改进DeepLabV3+的铁谱图像语义分割

针对传统铁谱图像分割方法需要人工设计特征、存在特征冗余及误差累积等缺点,提出一种改进的DeepLabV3+方法,实现了对铁谱图像中严重滑动、疲劳、切削等6种磨粒的语义分割.该方法在DeepLabV3+基础上,引入密集连接的空洞空间池化金字塔模块,以增大感受野;通过改进密集金字塔模块,采用互质膨胀率的空洞卷积,避免了栅格效应;采用全连接条件随机场以改善分割结果.实验结果表明:该方法在铁谱图像测试集上的平均交占比为87.1％.     

室内场景下实时地三维语义地图构建

移动机器人自主建图是完成智能行为的前提。为提高机器人智能水平和直观的用户交互,地图需要扩展超出几何和外观信息的语义信息。研究了将基于深度残差网络(DRN)的像素级图像语义分割和三维同时定位与建图(SLAM)相融合的三维语义地图构建方法。首先,采用一种联合中值滤波算法进行深度图像的修复,使用改进的迭代最近点(ICP)算法得到相机估计位姿以及基于随机蕨类的闭环检测构建出三维环境地图;其次,采用优化的深度残差网络对输入的图像实现较精准的像素语义级别的预测与分割;最后,采用贝叶斯更新方法,渐进式的将图像分割获取的语义分类标签迁移到重建的室内三维模型中,获得完整的三维语义地图。实验表明,所设计的方法可以在实际的、复杂环境下实时地构建语义地图。     

基于改进DeepLabV3+的铁谱图像语义分割

针对传统铁谱图像分割方法需要人工设计特征、存在特征冗余及误差累积等缺点,提出一种改进的DeepLabV3+方法,实现了对铁谱图像中严重滑动、疲劳、切削等6种磨粒的语义分割.该方法在DeepLabV3+基础上,引入密集连接的空洞空间池化金字塔模块,以增大感受野;通过改进密集金字塔模块,采用互质膨胀率的空洞卷积,避免了栅格效应;采用全连接条件随机场以改善分割结果.实验结果表明:该方法在铁谱图像测试集上的平均交占比为87.1％.     

图像处理在医用纱布表面缺陷检测中的应用

针对医用纱布表面缺陷的特点,研究缺陷检测算法。运用迭代算法对图像进行预处理,有效地去除噪声对图像的影响。采用了一种特殊的图像分割方法即基于数学形态学的分割技术对图像进行边缘检测及分割,保证了边缘检测的连续性,能够分割出完整的缺陷目标图像。利用提取的纱布表面缺陷图像中的形态学特征对缺陷进行分类,实现纱布表面破洞、缺经、断纬等缺陷的识别目的。通过MATLAB软件对一些医用纱布图像进行测试,验证了该方法的可行性和准确率。     

基于背景差分的高铁钢轨表面缺陷图像分割

高铁钢轨表面图像具有光照变化、反射不均、特征少等特点,使得缺陷自动检测极为困难。为了在高速运动过程中,从复杂的钢轨表面图像中分割出缺陷,根据钢轨表面图像具有沿钢轨方向像素值基本不变的特征,建立钢轨表面图像背景模型,提出了基于背景差分的钢轨表面缺陷检测算法,主要包括钢轨区域提取、背景建模差分、阈值分割和图像滤波4个步骤,其主要特点是将视频监控中的背景差分法推广到缺陷图像分割领域,同时借助自适应阈值分割和滤波技术,在一定程度上,解决了铁轨表面缺陷分割过程中图像光照变化、反射不均、特征少等不利因素的影响。实验仿真和现场测试结果均表明,该方法对块状缺陷能很好地识别,召回率和准确率分别达96%和80.1%。     

基于深度学习的铸件DR图像缺陷检测

为了对精密铸件DR(digital radiography)图像中的缺陷进行准确分割,提出一种基于深度学习语义分割的铸件DR图像缺陷检测算法。首先在原始U-Net网络模型上设计混合损失函数,以此来缓解类不平衡问题;然后采用AdamW(Adam with weight decay)优化器使模型加速收敛,同时使检测精度得到提升。最后使用PReLu激活函数代替ReLu,提高模型泛化性。实验结果表明,改进的U-Net模型对精密铸件DR图像缺陷能够得到有效分割,检测精度较高,且模型参数量较少,能够在工业现场进行部署。     

基于机器视觉的表面缺陷检测方法研究进展

在半导体、PCB、汽车装配、液晶屏、3C、光伏电池、纺织等行业中,产品外观与产品性能有着千丝万缕的联系。表面缺陷检测是阻止残次品流入市场的重要手段。利用机器视觉的技术进行检测效率高、成本低,是未来发展的主要方向。本文综述了近十年来基于机器视觉的表面缺陷检测方法的研究进展。首先给出了缺陷的定义、分类以及缺陷检测的一般步骤;然后重点阐述了使用传统图像处理方式、机器学习、深度学习进行缺陷检测的原理,并比较和分析了优缺点,其中传统图像处理方式分为分割与特征提取两个部分,机器学习包含无监督学习和有监督学习两大类,深度学习主要囊括了检测、分割及分类的大部分主流网络;随后介绍了30种工业缺陷数据集以及性能评价指标;最后指出缺陷检测方法目前存在的问题,对进一步的工作进行了展望。     

基于改进K-means聚类的木材缺陷彩色图像分割算法研究

为实现木材缺陷图像的准确分割,研究了在RGB色彩空间使用K-means聚类算法进行木材缺陷图像的分割方法,针对K—means聚类算法图像分割的不足之处,并提出了一种改进方案。在改进算法中,加入对图像像素点的邻域处理,根据邻域特性适时调整原图像,充分利用图像像素的区域特征,以此来抑制一些局部噪声。实验结果表明,改进算法不仅能够滤除较多的干扰信息,而且能更好的拟合分割边界,改善图像的分割效果。     

应用于产品表面缺陷检测的神经网络IBS-Net北大核心CSCD

通过将深度学习的两阶段目标检测算法应用于表面缺陷检测中,并依据产品表面缺陷的特性改进网络,提出了IBS-Net算法,实现缺陷的分类识别与定位。IBS-Net改进在于提出了特征相关的非极大抑制方法(FR-NMS)和正样本扩充方法(PSA),依赖特征层间语义关系筛选候选框,将含有局部缺陷信息的候选框作为半正样本以辅助分类任务,体现由部分缺陷推知整体缺陷的思路;其次,利用缺陷之间的互斥性,提出了多类别非极大抑制方法(CR-NMS)应用于后处理阶段,以优化预测结果;此外,利用缺陷之间的重要性差异,改进了表面缺陷检测评估方法。实验结果表明:IBS-Net对13类芯片表面缺陷和6类热轧钢带表面缺陷的检测综合精准度分别达94.8%和89.2%,证明本算法具有良好的有效性和工程应用价值。     

基于深度学习的表面缺陷检测技术研究进展

随着计算机视觉技术的快速发展,基于深度学习的表面缺陷检测技术实现了爆发式的应用,并逐步成为了主流发展方向。基于深度学习的缺陷检测技术可以近似为计算机视觉任务中的分类、检测、分割等任务,其主要目的是找出物体表面缺陷的类别和所在位置,相较于传统图像处理方法,深度学习在特征提取能力和环境适应能力上优势明显。以缺陷数据标签类型为依据,对近年来基于深度学习的表面缺陷检测技术进行梳理划分,总结目前技术的优点与不足,重点阐述了监督学习下的三种缺陷检测方法。探讨了表面缺陷检测技术面临的小样本以及不平衡样本等关键问题：对于小样本问题目前有结构优化、数据增广、迁移学习等解决方法;针对不平衡样本问题,介绍了近年来热点的无监督、弱监督与半监督学习模型。随后介绍了常用的工业表面缺陷数据集并展现了近年来提出的算法在NEU数据集上的应用效果。最后对进一步的研究工作提出展望,希望能给缺陷检测研究提供有意义的参考。     

基于机器视觉和改进形态学边缘检测算法的钢球缺陷检测技术研究

为提高钢球表面缺陷检测的效率和准确性,设计一种基于机器视觉的钢球表面缺陷分拣系统。对钢球表面图像进行图像分割、平滑去噪和二值化预处理,获取钢球表面图像的准确信息,并采用改进的中值滤波算法去除噪声;利用小波变换和多尺度形态学融合算法进行钢球表面缺陷的边缘检测;通过该融合算法和其他算法的检测结果对比和客观数据评价,验证了本文所提算法能够有效保留图像真实细节,并满足钢球分拣系统的需求。     

基于机器视觉的陶瓷砖表面缺陷快速检测方法的研究

为了提高陶瓷砖表面缺陷检测效率,提出了一种基于机器视觉的表面缺陷检测方法。采用了自适应中值滤波算法对表面图像进行预处理,利用形状匹配实现图像之间的对齐,采用Deriche亚像素分割算法实现了陶瓷砖边缘的精确分割,设计局部门限算法实现陶瓷砖表面缺陷图像的提取。实验结果表明：该方法可实现陶瓷砖表面缺陷的快速提取,效果较好。     

改进Mask RCNN的焊缝缺陷检测

焊接缺陷检测是焊接行业的一项重要工作,利用X射线焊缝缺陷图像进行缺陷检测是焊接无损检测的重要手段。为实现对缺陷的自动识别和定位,结合缺陷的具体特征提出了一种改进的Mask RCNN实例分割网络实现对图像进行缺陷检测和分割。该方法在原有网络的基础上通过采用变形卷积更好地提取不规则形状缺陷特征信息,引入空洞卷积加强高层特征的感受野,在局部图像中融合全局图像信息使局部图像获取上下文信息,利用迁移学习和数据增强降低对训练数据的需求,提升检测和分割精度。最终,通过对焊缝X射线数据集上进行实验,验证改进的Mask RCNN模型与原始Mask RCNN模型以及Faster RCNN模型等模型进行客观比较,并对实验结果进行可行性分析,提出的模型表现出更精确的检测精度和更好的性能。实验结果表明改进的Mask RCNN模型可以更好的适用于焊缝缺陷检测中。     

基于谱残差视觉显著性的带钢表面缺陷检测

针对带钢表面缺陷检测实时性要求高,采集的图像易受光照环境影响且缺陷特征弱等因素影响,提出一种基于谱残差视觉注意模型的带钢表面缺陷在线检测算法。首先,提出改进同态滤波方法对图像预处理,去除光照不均匀的影响,改善后续的分割结果。然后,构建谱残差视觉注意模型,通过对数频谱曲线差分得到缺陷显著图像。最后,提出加权马氏距离方法对显著图像阈值化增强,并利用连通区域标记法,标记出原带钢图像的缺陷位置。对提出的算法进行了实验验证,结果显示:该算法检测速度快,单幅图像平均检测耗时仅37.6ms,满足带钢在线实时检测要求。在同一缺陷数据库与灰度投影法,多尺度Gabor边缘检测法和隐马尔可夫树模型法进行了性能对比,结果表明:本文算法对带钢常见8类缺陷类型,平均检测率达到了95.3%,且漏检率和误检率较低,有效性高于对比算法。     

显微图像的光学薄膜缺陷密度统计

薄膜表面缺陷密度统计是改进薄膜表面质量的重要依据。阐述了基于遗传算法的二维最大熵分割算法的原理及实现步骤。采用这种算法对薄膜缺陷图像进行分割,对分割后的图像进行了薄膜缺陷密度的测量。实验结果表明,这种方法对薄膜表面缺陷提取简单且易于测量,为分析缺陷原因提高薄膜质量起到重要的指导作用。     

低比度钢板微小缺陷的图像增强和分割

针对低对比度、微小的钢板表面缺陷，提出了基于图像增强的图像分割算法来有效分割和识别缺陷目标。采用小波变换与同态滤波结合算法对图像进行增强处理，不仅消除照度不均的影响，还突出了缺陷细节的信息，达到图像增强的效果。最后，利用粒子群算法优化最大类间方差法参数（PSO-Otsu）确定增强后图像的最佳阈值，并结合Canny算子进行缺陷检测。对比其他算法，该算法在检测低对比度的微小缺陷上取得了良好的效果。     

基于曲率滤波和改进GMM的钢轨缺陷自动视觉检测方法

针对传统钢轨检测技术的效率低下、精度不足、安全隐患等问题,提出了基于曲率滤波和改进高斯混合模型(GMM)的钢轨表面缺陷检测方法。首先,提出了基于垂直投影的区域定位算法和灰度对比算法,克服现场工况复杂、轨面反射不均、信道噪声干扰的难题;考虑到图像信号受强工况噪声干扰,研究了具有隐式计算和曲面保持特性的曲率滤波法进行图像去噪;建立了基于马尔科夫随机场(MRF)的高斯混合模型完成表面缺陷的精确快速分割。最后,设计了"区域定位-灰度均衡化-滤波-分割"的实验流程,实验结果验证了算法的有效性,检测性能达到了精确度92.0%,相比其他方法更加精确、快速,具有更好的鲁棒性。     

基于神经区域生长瓷砖表面缺陷检测

自动视觉检测是机器视觉在工业方面的一项重要应用。针对目前瓷砖表面缺陷检测仍停留在手工操作水平,劳动强度大,效率低,检测精度远远不能满足实际生产的需要,本文提出一种基于BP神经网络与区域生长法相结合的图像分割技术,并将其应用到瓷砖表面缺陷检测。本算法原理是通过BP神经网络对瓷砖表面进行缺陷检测,将瓷砖主要缺陷分割出来,然后再利用区域生长法对其缺陷部分作进一步分割,使缺陷能被精确、快速地分割出来。通过大量实验说明本算法在实际应用中的精确度达到97%,检测速度得到明显的提高,效果令人满意,具有良好的应用前景。