基于深度学习的混凝土表面缺陷检测方法

运用深度学习对物体表面缺陷进行检测已经成为了一种越来越受关注的自动化检测方法。针对混凝土表面缺陷,我们设计了一种两段式的学习网络。第一部分是从原始图像的各层特征图中逐像素的学习特征以完成对图像的像素分割,并进行上采样还原至原图像大小。第二部分是对图像中是否存在缺陷做出判断。实验结果表明,该方法分割准确率高,鲁棒性强,适合于混凝土表面缺陷检测。     

基于传统图像处理联合深度学习的FPCB自动缺陷检测算法

FPCB即柔性印刷电路板,是一种以柔性绝缘材料为基材制造而成电路板,且有弯曲、卷绕、折叠性好的特点,可以满足电子产品柔性要求,在电子信息产业中得到了广泛应用。而在FPCB柔性印刷电路板生产过程中可能会出现各式各样的缺陷,这些缺陷会对产品有着严重的影响,目前对FPCB的检测主要是以人工目视为主,但是人工检测存在着一些不确定的因素,例如人体的疲劳程度和注意力都对检测准确率有着较深的影响。目前,人工智能、即深度学习在近年来发展逐渐趋于成熟,把深度学习的方法应用到缺陷检测领域是一个有较好前景的研究方向,但是同样也存在着一个问题,工厂良品率的要求使得无法采集到较多的缺陷数据,深度学习方法又需要足够多的数据作为支撑。为了解决这一问题,提出了传统图像处理结合深度学习的方法,并在FPCB数据集上进行验证,利用该方法可以完全满足实际检测需求。     

基于深度学习的点胶缺陷检测

在工业生产中,主要利用自动点胶机对工业相机底座表面进行点胶,而实际生产中由于自动点胶机工艺水平的限制,胶水不可避免的破裂、胶水的宽度太厚或太细,胶水不足等现象也是屡见不鲜。生产中如果不能及时检测出此类不良产品,将会影响到产品部件之间的连接,进而影响到整个产品的质量。因此,在需要点胶以实现粘合效果的各种应用中,严格控制点胶的质量是非常重要的。传统的点胶质量检测主要依靠手动检测方法,具有工作量大,工作效率低,检测精度不足等缺点,不能满足胶水检测的工业生产需求。为了提高点胶缺陷检测的准确率以及检测的稳定性,在本文中,我们使用深度学习卷积神经网络对胶条进行缺陷检测。通过模型的比较,最终采用LeNet-5卷积神经网络,同时在此基础上进行了改进,使得算法的鲁棒性以及准确率有所提升。     

基于深度学习的电子元件焊点缺陷检测方法

提出一种用于训练掩模区域卷积神经网络（Mask R-CNN）的半自动生成焊点图像掩模的方法。由于传统的通过人工标注获取掩模的方法费时费力,提出了一种简便快捷的基于GrabCut获取图像掩模的方法。该方法由两个阶段组成：第一阶段为基于GrabCut的焊点图像分割,输出像素级分割结果,从而获得所输入图像掩模;第二阶段实现基于Mask R-CNN的焊点表面缺陷检测方法,可以实现对缺陷的定位、分类和分割。试验结果证实了该方法的有效性,在保证Mask R-CNN方法检测精度的前提下,能快速、简单地获取训练Mask R-CNN所需的焊点掩模。     

基于深度学习的钢表面缺陷检测方法综述

加工而成的钢材表面可能会存在一定的缺陷,对钢材的外观和质量造成严重的影响,这些缺陷可以通过多种方法来完成分类和分割。传统检测方法精度不高且效率低下,采用基于深度学习的钢表面缺陷检测方法可有效提高检测性能。文章总结了近年来诸多学者提出的基于深度学习的缺陷分类和分割方法,介绍了这些算法的特点以及基于这些算法得到的改进算法,并对各类算法进行了比较,得出各种算法的优缺点。最后,总结了现阶段基于深度学习的缺陷检测技术存在的问题,并对未来的发展进行了展望。     

基于深度学习的乳液泵缺陷检测算法

为了实现对工业产品乳液泵的缺陷检测,本文采集泵顶、泵上端、泵下端、尾管4个角度的样本图像,并基于深度学习中迁移学习和卷积神经网络的原理分别构建各角度的分类模型以检测缺陷样本。首先,使用Mini-ImageNet数据集预训练网络模型。然后,调整模型结构并加载预训练网络的参数,并将乳液泵各角度的训练集和验证集经过图像预处理算法后输入至卷积神经网络中训练,根据训练过程中验证集准确率的变化调整网络超参数,得到最终网络模型。最后,将预处理后的乳液泵测试样本输入至训练好的模型中,检测最终模型的缺陷识别效果。最终4个角度检测准确率均在93%以上,单样本检测用时为2.52s,优于传统方法。本文算法可用于设计乳液泵缺陷检测系统,该系统能与工业结构相结合筛选出有缺陷的泵体,也可拓展到工业其他物件的缺陷检测。     

基于深度学习的高压电气柜缺陷检测算法分析

阐述构建一个全面的高压电气柜缺陷数据集,包括多种环境条件和缺陷类型。同时设计一种基于卷积神经网络的模型架构,并进行系列优化操作。实验表明,模型在测试集上取得良好表现。     

基于深度学习的太阳能电池板缺陷检测模型设计

太阳能电池板是光伏发电的核心部件,表面质量关系着其使用寿命和发电效率。针对目前太阳能电池板缺陷检测方法存在着检测效率低、周期长、检测缺陷单一等问题,文章设计了一种基于深度学习的太阳能电池板缺陷检测模型SSNBDL,其基本思想是,在Segnet网络框架基础上,使用空洞卷积替代其中的池化层,使得在增大感受野的同时还保留了图像的边缘信息,基于该模型对太阳能电池板缺陷进行检测,明显提高了检测的准确率。     

基于深度学习的航拍电网绝缘子缺陷检测

电网绝缘检测缺陷的准确检测是电网运行状态有效监测及故障诊断前提,基于无人机航拍电网绝缘子图像,为解决深度学习缺陷检测存在的误检测和局部信息丢失问题,提出基于改进深度学习全卷积网络的缺陷自动检测算法,算法通过改进FCN的VGG结构、扩展滤波器尺寸、取消全连接层Dropout及模型深度,实现FCN模型在绝缘子缺陷检测方面的有效改进,实验结果表示,改进模型在较少运行时间增加基础上,有效提高了对绝缘子缺陷检测的性能和对背影的鲁棒性,取得了比已有算法更有优势的检测结果。     

基于深度学习的光纤网络链路缺陷数据检测及研究

为保证光纤网络的正常通信,有必要进行缺陷数据检测.然而,由于数据的不平衡性,导致检测质量受到影响.针对上述问题,研究一种基于深度学习的光纤网络链路缺陷数据检测方法.该方法先进行光纤网络链路缺陷数据预处理,包括去噪处理、插值、均衡处理、尺度处理、时长处理等,提高数据质量,然后利用基于规则迭代的方法进行时间序列特征提取,包...     

基于深度学习的电力巡检图像实时处理与识别算法研究

应用人工智能技术对航拍采集的巡检图像进行目标检测和缺陷识别已成为现代电力巡检的发展趋势。文中基于深度学习技术提出了一种改进的识别算法,通过改进Faster-RCNN模型,结合HSI颜色特征提取,实现图像实时处理与输电线路的各类常规故障识别。将航拍图片归一化处理,RGB颜色模型转化为HSI颜色模型,遍历HSI空间的每个像素点,根据图片颜色特征判断像素点是否发生故障;建立Dense Net网络,将RoI Align层与预测层连接,应用改进Faster-RCNN目标检测模型对巡检线路训练数据集进行目标缺陷识别。实验分析结果表明,文中所提方法的故障缺陷识别精确率可达92.54%,具有实时性强、识别精度高等特点。     

红外检测中缺陷大小和深度的测量

文中介绍了红外层析检测的基本原理，重点讲述了缺陷深度和缺陷大小的测量方法。     

基于红外锁相法缺陷深度检测的仿真

隐藏在工件内部的粘贴结构缺陷具有隐蔽性和危险性,成为影响生产质量和运行安全的致命因素,运用红外无损检测技术可以对其缺陷进行检测和评估。本文通过仿真模拟,测得粘贴结构在不同缺陷深度以及涂层热扩散系数下的盲频率,研究了缺陷深度和涂层热扩散系数对盲频率的影响,同时利用拟合定量研究了盲频率与缺陷深度和涂层热扩散系数的关系。仿真结果表明,可以通过盲频率求得热扩散长度,进而求得缺陷深度的定量检测方法。     

基于图像处理的木板表面缺陷检测与识别研究

基于木板表面缺陷检测操作方便、使用要求低,能满足现代板材生产企业大规模自动化生产的需求,文中采用图像处理技术对木板表面缺陷进行检测研究,对木材的节子、裂纹、虫洞等典型缺陷进行特征提取及缺陷识别.实验结果表明,文中所设计的检测系统能够对原木板材的表面缺陷情况进行快速有效的缺陷检测,识别正确率为96.6％,单图平均检测时间...     

基于深度卷积神经网络的食品包装缺陷检测算法研究

在薯片流水线生产中,如果直接使用YOLOv5网络进行包装缺陷目标检测,精度不够高、训练时间偏长,于是提出了一种基于SENet-YOLOv5的食品包装缺陷目标检测方法。首先,从数据增强这一角度出发,改用了基于Canny边缘检测算法对数据进行处理。然后,在原先DarkNet-53主干网络中融合SENet网络,把重要的特征进行强化来提升准确率。其次,将3处传统卷积层替换为深度可分离卷积层,减少参数量和计算量,最后训练候选区域数据,从而精确地实现定位与分类缺陷。仿真训练结果得出：SENet-YOLOv5模型的检测精度与速度皆得到了提升,对薯片食品包装缺陷的检测准确率为94.6%,检测的平均精度均值(mAP)达到了94.8%,相较干YOLOv5算法提高了7.9个百分点,识别速度大幅度提升。表明所提SENet-YOLOv5缺陷检测方法可应用于薯愿包装检测以提高企业的工作效率。     

基于改进YOLOv5网络的印刷电路板缺陷检测

针对印刷电路板（PCB）现存检测方法效率低和对小缺陷目标检测准确率低等缺点,提出针对YOLOv5网络进行改进,通过增加小目标检测层获取更多小缺陷特征,之后增加FPN算法融合深浅层的特征信息,提高深层的特征综合度。同时通过图像分割操作放大缺陷占比,提高精确度。结果表明,相比于优化前,设计的检测系统对PCB图片的检测准确性提高了1.89%,检测的缺陷平均检测精度均值提高了1.82%,并且减少了非必要的检测。这为完善PCB的高效检测提供了一定参考。     

基于视觉和深度学习的智能化中医检测系统

近年来人工智能技术快速发展,基于此该系统设计了一个基于视觉和深度学习的智能化中医检测系统。在本系统中,以中医的望闻问切中的望的思想的特点和研究为基础,通过编程实现人脸识别、肤色分析、脸部肤质检测和基于实时眼眶比的疲劳度监测,最后通过建立的中医辩证算法结合历史数据得到对于目前状态的分析与适当的建议等一系列功能。包括：通过摄像头获取当前用户的面部图像;通过面部图像识别出当前用户的身份;调取当前用户的标准健康状况数据;调取当前用户的历史健康状况数据;根据面部图像得到当前用户的当前痤疮数量数据以及当前诊断肤色;根据当前痤疮数量数据、当前诊断肤色、标准健康状况数据以及历史健康状况数据,给出针对当前用户的中医健康状况建议。该技术方案可以通过采集用户面部图像,快速对用户的健康状态和疲劳状态进行分析,并通过显示设备提醒用户注意。     

基于深度学习的路面缺陷自动检测系统北大核心CSCD

路面缺陷自动检测对公路养护和路况等级评估具有重要意义。为此,使用YOLOv5x结合透视变换和图像分割设计了路面缺陷检测系统。首先,为证明系统可行性采集并制作了多类型路面缺陷数据集(pavement defect dataset,PDD)。然后,使用SSD(single shot multibox detector)、Faster R-CNN、YOLOv5x(you only look once v5x)和YOLOX 4种模型对PDD进行训练检测。经过训练,4种模型的mAP(mean average precision)均超过了77%,其中YOLOv5x的结果最优,mAP达到了91%,同时证明创建的数据集PDD有效。最后,使用YOLOv5x作为系统主要检测方法结合透视变换、图像分割和骨架提取获取缺陷的长度、宽度和面积等信息,进而计算路面状况指数(pavement condition index,PCI)得到路面破损等级,以及相应的维修建议,提高了路面缺陷检测的实用性。