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.     

基于深度学习语义分割的导光板缺陷检测方法

当前导光板表面缺陷仍主要由人工肉眼观察进行检测,仅有少数生产厂家利用传统的图像处理方法进行检测.由于导光板缺陷在高分辨率工业相机拍摄的图像成像下仍极其微小,且不同缺陷的特征各异,以及整张导光板自身的导光点分布密集、不均匀等纹理特点,导致传统的图像处理检测方法需要经验丰富的视觉工程师进行大量的特征提取算法编程工作和昂贵的代码维护成本,准确率低且稳定性差,为此提出一种基于深度学习语义分割的缺陷检测方法.该方法通过训练神经网络的方式来自主学习提取导光板缺陷特征从而避免繁杂的特征提取算法编程工作.首先,对搜集的导光板缺陷进行缺陷标记,制作样本集;其次,利用迁移学习将预先训练好的金字塔场景解析网络(PSPNet)对标记样本进行再训练;进而,利用训练好的模型实现对导光板缺陷的检测;由于单独的深度学习语义分割缺陷检测方法通常无法满足工业实际应用需求,最后还需结合简单的机器视觉方法,对深度学习语义分割方法检出的所有疑似缺陷区域进行二次判断筛选.实验结果表明,该方法针对亮点、暗点和划痕3种缺陷的检出率高达96%,基本可以满足工业检测要求.     

钢轨表面缺陷检测的图像预处理改进算法

由于线阵相机拍摄的图像光照不均、对比度低,使得钢轨表面离散缺陷检测成为机器视觉检测的难点,为此提出局部非线性对比度增强法和改进最大熵阈值分割法对钢轨图像进行预处理.该算法将局部区域内相对较低的灰度级映射到更低的范围,相对较高的灰度级映射到更高的范围,实现对比度拉伸;通过分析图像的目标熵、背景熵、灰度概率分布曲线,使用图像目标熵最大、目标概率较小的改进最大熵阈值分割法对图像进行分割,得到包含噪声相对较少的图像.实验结果表明,文中提出的非线性对比度图像增强算法简单、快速、有效,而且增强效果与光照无关;与原始的最大熵、目标最大熵、OSTU阈值分割法相比,改进的最大熵分割阈值较小,分割后的图像包含的噪声少;改进的预处理算法对测试图像的漏检率和误检率分别是6.2%和7.3%.     

基于光电检测技术的电缆表面缺陷实时监测系统研究

基于光电检测技术开发了电缆表面缺陷实时监测系统。在硬件结构方面,系统采用半环形LED白光源照射电缆,利用线阵CCD相机采集电缆表面图像。在软件算法方面,提出一种改进的ROI (Region of Interest)算法精确定位电缆区域,利用一种基于改进双边滤波的图像差分算法建立背景模型,改进一种基于CV-Kmeans区域分类自适应滤波窗口算法来凸显电缆表面缺陷特征。研究结果表明,基于光电检测技术研发的电缆表面缺陷实时监测系统的识别能力较高,整体监测准确率不低于97.0%。     

基于缺陷比例限制的背景差分钢轨表面缺陷检测方法

针对钢轨表面图像具有的光照不均匀、可识别特征有限、对比度低、反射特性易变等特性，提出基于缺陷比例限制的背景差分钢轨表面缺陷检测方法。该方法主要包括轨面图像预处理、背景建模与差分、缺陷比例限制滤波、缺陷比例限制最大熵阈值分割和连通区域标记5个步骤。首先结合轨面图像列灰度均值和列灰度中值进行快速背景建模，将预处理后的图像与背景图像进行差分操作；其次利用轨面图像缺陷占比较低的特征对差分图进行缺陷比例上限的阈值截断，以增强差分图的对比度；随后利用此特征改进最大熵阈值分割，采用自适应加权因子对目标熵进行全局可变加权，并选择出一个合适的阈值使熵值最大化，使得在保留真实缺陷的同时减弱诸如阴影、锈迹等噪声的干扰；最后利用连通区域标记法对阈值分割后的二值图像中的缺陷区域进行统计，并把缺陷面积低于钢轨损伤标准的区域判定为噪声并进行去除，以实现钢轨表面缺陷检测。仿真实验结果表明，新方法可以对钢轨表面缺陷进行很好的检测，其检测结果的召回率、精确率和加权调和平均值分别达到94.19%、88.34%和92.96%，平均错误分类误差值为0.006 4，具有一定的实用价值。     

基于缺陷比例限制的背景差分钢轨表面缺陷检测方法

针对钢轨表面图像具有的光照不均匀、可识别特征有限、对比度低、反射特性易变等特性,提出基于缺陷比例限制的背景差分钢轨表面缺陷检测方法。该方法主要包括轨面图像预处理、背景建模与差分、缺陷比例限制滤波、缺陷比例限制最大熵阈值分割和连通区域标记5个步骤。首先结合轨面图像列灰度均值和列灰度中值进行快速背景建模,将预处理后的图像与背景图像进行差分操作;其次利用轨面图像缺陷占比较低的特征对差分图进行缺陷比例上限的阈值截断,以增强差分图的对比度;随后利用此特征改进最大熵阈值分割,采用自适应加权因子对目标熵进行全局可变加权,并选择出一个合适的阈值使熵值最大化,使得在保留真实缺陷的同时减弱诸如阴影、锈迹等噪声的干扰;最后利用连通区域标记法对阈值分割后的二值图像中的缺陷区域进行统计,并把缺陷面积低于钢轨损伤标准的区域判定为噪声并进行去除,以实现钢轨表面缺陷检测。仿真实验结果表明,新方法可以对钢轨表面缺陷进行很好的检测,其检测结果的召回率、精确率和加权调和平均值分别达到94.19%、88.34%和92.96%,平均错误分类误差值为0.006 4,具有一定的实用价值。     

基于反向P-M扩散的钢轨表面缺陷视觉检测

研制了一种基于反向P-M（Perona-Malik）扩散的钢轨表面缺陷视觉检测装置,该装置可 自动获取钢轨表面图像,并实现实时检测与定位钢轨表面缺陷. 钢轨图像具有光 照变化、反射不均、特征少等特点,为了在运动过程中 从复杂的钢轨表面图像提取缺陷,首先将图像进行反向P-M扩散,然后将扩散后的图像与原图像进 行差分,从而减小了上述因素的影响,最后将差分图像进行二值化操作,根据 缺陷边缘特性和面积进行滤波,分割出缺陷图像. 实验仿真和现场测试结果表明,该方法能很好地识别块状缺陷和线状缺陷,并且检测速度、精度、识别 率和误检率都能很好地满足要求.     

基于机器视觉的液晶基板表面缺陷检测系统

介绍一种基于机器视觉的液晶玻璃基板质量在线检测系统。利用分布式视觉处理技术、采用模块化的图像处理系统设计,能够实现缺陷的精确提取与对缺陷的智能分类和分级,满足LCD液晶玻璃基板质量在线检测的需要。     

深度学习实时语义分割算法研究综述

语义分割是从像素的角度分割出图片中的不同对象,并对原始图片中的每个像素进行标注的一种技术。但由于无人机导航、遥感图像、医疗诊断等应用领域需要实时地进行语义分割处理。所以,基于深度学习的实时语义分割技术得到了迅速的发展。实时语义分割技术发展至今已有许多的技术与模型。基于此,在对相关文献进行研究的基础上,由语义分割技术引出了实时语义分割技术,并简单叙述了实时语义分割的优点。随后,研讨出目前实时语义分割存在的重难点。根据重难点进而对已存在的相关技术与模型进行阐述,并总结技术与模型的优缺点。最后,展望实时语义分割所面临的挑战,并对实时语义分割进行了总结与归纳,为后续的研讨提供了一些理论参考。     

基于机器视觉的钢轨表面缺陷三维检测方法

提出了一种二维视觉与三维视觉相结合的钢轨表面缺陷检测方法。该方法通过线阵相机采集二维图像,由激光扫描仪采集钢轨深度信息,最后将这两组数据传送回主机,用Halcon和VC编写上层图像处理软件,获得钢轨表面缺陷的大小、形状、位置及深度,实现了全面检测钢轨表面缺陷。实验表明,与二维图像识别,或者与单独使用三维扫描检测相比,本系统检测效果更好。     

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。     

改进FSSD的差速器壳体表面缺陷实时检测算法

针对传统检测方法对于汽车差速器壳体表面小目标缺陷的误检和漏检问题,提出了一种改进的FSSD＿MobileNet缺陷检测模型。该模型将FSSD(feature fusion single shot multibox detector)算法的基础骨干网络VGG16替换成轻量级MobileNet网络,构建了一种高效的特征融合结构并调整了默认框的尺寸,进一步提升对小目标缺陷的检测能力。同时使用RMSProp(root mean square propagate)梯度下降算法来优化损失函数,加快了模型的收敛速度。实验结果表明,改进后的FSSD＿MobileNet模型的mAP为96.7%,相比于改进前提升了16.2个百分点。在保持较高检测精度的同时,检测速度达到了191 FPS,高于目前单阶段算法中速度较快的YOLOv5s网络,相较于传统的SSD(single shot multibox detector)和FSSD分别提升了94 FPS和102 FPS,同时模型较为精简,能够更好地满足实际生产中对准确性和实时性的综合要求。     

基于语义分割的防侵入系统

对现有门式起重机的防侵入系统进行了详细分析后,针对其工作环境复杂、智能化水平较低的特点,建立了基于机器视觉和深度学习技术的防侵入监测模型.针对各目标检测算法和语义分割算法的优缺点,采用了语义分割算法作为防侵入模型,ICNet作为主要的语义分割网络.对比其他网络,ICNet网络具有99.37％的训练精度和1.81％的训练...     

边界感知的实时语义分割网络

目前多数实时语义分割网络不仅同时处理边界和纹理等细节信息而且还忽略了语义边界区域特征,从而导致物体边界分割质量下降。针对该问题,提出一种边界感知的实时语义分割网络,主要从三个方面提高边界语义分割质量。提出了边界感知学习机制利用位置信息降低边界特征和轮廓附近细节的耦合度使边界感知和位置关系相互促进。设计轻量级区域自适应模块增强卷积网络对复杂语义边界区域的建模能力。根据采样区域像素贡献值不同设计了高效的空洞空间金字塔池化模块以增强重要的细节和语义特征。实验方面,与基准相比,在Cityscapes验证集上精度提升了约5.8个百分点,在Cityscapes测试集上以47.2 FPS的推理速度使精度达到了74.9%。在CamVid数据集上与BiSeNetV2算法相比mIoU提升了约3.96个百分点。     

基于注意力和多标签分类的图像实时语义分割

针对现阶段很多实时语义分割算法分割精度低,尤其对边界像素分割模糊的问题,提出一种基于跨级注意力机制和多标签分类的高精度实时语义分割算法.首先基于DeepLabv3进行优化,使其达到实时运算速度.然后在此网络基础上增加跨级注意力模块,使深层特征为浅层特征提供像素级注意力,以抑制浅层特征中不准确语义信息的输出;并在训练阶段引入多标签分类损失函数辅助监督训练.在Cityscapes数据集和CamVid数据集上的实验结果表明,该算法的分割精度分别为68.1％和74.1％,分割速度分别为42帧/s和89帧/s,在实时性与准确性之间达到较好的平衡,能够优化边缘分割,在复杂场景分割中具有较好的鲁棒性.     

基于语义分割的槟榔内核轮廓检测

为了实现首饰的自动识别,设计了一套基于机器视觉的首饰识别系统,并提出相应的算法。采用8种首饰作为试验样本,利用G+R分量和的颜色阈值分割法,并用27×27的模板对二值化图像进行滤波,采用2×2窗口内像素灰度值之和并结合阈值的边缘提取方法。提取面积特征和图像形心到边缘的距离特征。对面积判断其大小在设定数值范围内,对距离特征采用互相关算法处理。实验结果表明,该方法的识别准确率达100%,识别一个首饰所用时间约3秒,满足在实际中应用的要求。