基于决策树的焊缝缺陷类型识别研究

自动对射线底片图像进行分析和缺陷类型识别是无损探伤研究领域的一个热点。在对焊缝射线底片进行图像去噪和图像增强的基础上,对焊缝底片图像进行二值化处理,进而提取焊缝缺陷图像及其特征,再采用决策树方法建立焊缝缺陷特征的分类规则,并用这些规则对二值化后的焊缝缺陷图像进行分类识别。实验结果表明,基于决策树方法对焊缝缺陷图像识别的准确率高,而且所表达的知识易于理解。     

基于卷积神经网络的板形缺陷识别

板形缺陷识别对于矫直机在矫直过程中具有重要意义,针对传统板形缺陷识别精度低、操作繁琐等问题,以AlexNet模型为基础,提出一种基于卷积神经网络的板形缺陷识别模型(OP-AlexNet).在预处理阶段利用双立方插值算法对数据集中的图片进行尺寸的统一并进行标准化操作.对AlexNet模型结构进行优化,包括调整卷积核大小并减少两层卷积层,删除一层全连接层降低网络复杂度;对卷积层提取的特征批量归一化(batch normalization,BN)以加快网络的收敛速度,激活函数选择LeakyReLU(Leaky Rectified Linear Unit)替换原结构的ReLU(Rectified Linear Unit)激活函数以减少静默神经元的出现.实验结果表明该模型最终识别精度达到91.3％,相比AlexNet模型提高了16.2％,并具有更好的鲁棒性,能够满足板形缺陷识别的要求.     

基于模糊神经网络的焊缝缺陷识别的研究

焊缝缺陷在X射线设备下成像转成数字图像后,分析其图像的特点,进行缺陷的定位与边缘检测,结合人工识别焊缝缺陷的经验选取对焊缝缺陷分类影响因子较大的特征参数。用模糊集合的概念描述特征参数,建立特征参数的模糊规则库,构建以模糊化后的特征参数为输入层,以模糊规则为隐含层,缺陷预知识别分类为输出的模糊神经网络模型。分析实验结果,成功定位缺陷在数字图像中的大概位置与边缘检测。该方法提高了集合交叉较大的焊缝缺陷的识别率,能有效地对缺陷进行识别分类。     

基于神经网络的焊缝缺陷识别专家系统

介绍了基于神经网络的焊缝缺陷识别专家系统的基本原理、结构和识别策略。根据焊缝缺陷特征，从不同层次进行识别，用神经网络的并行处理和自学习克服了传统识别的一些不足。     

基于BP神经网络的车型识别研究

车型识别是智能交通系统中的一个重要组成部分,近年来已成为国内外研究热点之一.提出一种基于特征提取的车型识别方法,该方法对车辆图像进行预处理,通过图像边缘检测、图像纵横填充、图像修正方法进行车型特征值提取,得到车型分类特征字空间,利用BP神经网络进行车型分类识别.实验结果表明,该方法高效可行,并对低质量和背景复杂图像有着良好的处理效果.     

基于Faster R-CNN的钢板表面缺陷识别研究

针对热轧钢板表面缺陷检测中存在小目标缺陷检测精度差、整体检测速度较慢的问题,提出了一种基于Faster R-CNN改进的缺陷检测方法.针对钢板表面的缺陷特征,对Faster R-CNN的特征提取网络进行修改,从而得到更好的缺陷检测效果.实验证明,改进过的网络对于缺陷检测的速度和小缺陷检测的准确度有很好的提高.     

基于剪枝决策树的人造板表面缺陷识别

连续压机生产线的发展,使人造板实现自动化生产,但缺陷检测环节仍为人工.缺陷识别是检测中的一个重要环节,是根据缺陷特征值利用分类器进行识别的过程.由于人造板连续生产,实时性要求高,为实现缺陷的快速、准确识别,提出了一种基于剪枝的CART树对人造板进行缺陷识别.通过对已有的人造板缺陷图像进行预处理、分割,获得缺陷的形状、纹理特征作为输入,通过基于Gini指数的CART算法生成CART树.针对于自由生长的CART树容易出现过拟合的问题,利用代价复杂度算法对生成的CART树进行剪枝,通过十折交叉验证对剪枝前后的子树进行比较,获得最优子树.通过实验证明剪枝后的CART树缺陷识别正确率高达93%,满足人造板缺陷识别的实时性和正确率的要求,可以实现人造板在线缺陷检测.     

基于深度学习的织物缺陷在线检测算法

织物缺陷在线检测是纺织行业面临的重大难题，针对当前织物缺陷检测中存在的误检率高、漏检率高、实时性不强等问题，提出了一种基于深度学习的织物缺陷在线检测算法。首先基于GoogLeNet网络架构，并参考其他分类模型的经典算法，搭建出适用于实际生产环境的织物缺陷分类模型；其次利用质检人员标注的不同种类织物图片组建织物缺陷数据库，并用该数据库对织物缺陷分类模型进行训练；最后对高清相机在织物验布机上采集的图片进行分割，并将分割后的小图以批量的方式传入训练好的分类模型，实现对每张小图的分类，以此来检测缺陷并确定其位置。对该模型在织物缺陷数据库上进行了验证。实验结果表明：织物缺陷分类模型平均每张小图的测试时间为0.37 ms，平均测试时间比GoogLeNet减少了67%，比ResNet-50减少了93%；同时模型在测试集上的正确率达到99.99%。说明其准确率与实时性均满足实际工业需求。     

基于改进Vision Transformer的光伏电池缺陷识别研究

光伏电池片是太阳能发电系统的核心组件。电池片的磨损、裂纹等缺陷不仅影响电池寿命,同时降低了电能转化效率,而传统的人工缺陷检测方法耗时长效率低。设计了一个基于改进的ViT光伏电池缺陷检测模型。首先,针对ViT对输入图像进行分割造成无法感知图像全局信息的问题,设计了一个包含12层卷积的残差网络,并与特征金字塔结合,获取输入图像不同尺度的特征,并将特征图分割池化后作为Transformer的输入信息。其次,针对Transformer手动设计位置编码函数的不足,设计了一个位置编码分支模块,用以实现位置自编码。在电池片缺陷图像数据上的实现结果表明,提出的模型在不增加计算量的情况下,提升了准确度,证明了模型的有效性。     

计算机视觉技术的车型识别应用研究

针对目前立体停车库主要采用传统的传感器入库检测系统来识别车辆信息,存在施工周期长、器件损坏率较高,维护成本较高的问题,提出了一种应用计算机视觉技术的车型识别解决方案.应用卷积神经网络框架Caffe,基于Caf-feNet模型,通过fine-tuning模型优化以及参数优化,最终得到了一个性能较优异的识别模型.实验结果表明,该模型可克服输入图片背景复杂多变,目标被遮挡的情况,对轿车车型识别这一问题鲁棒性好,具有一定的可行性及应用价值.     

基于集成深度学习的玻璃缺陷识别方法

针对玻璃缺陷形态复杂多变,难以准确识别其所属类型的特点,文章提出了一种集成深度学习模型对玻璃缺陷进行识别,该模型本质上是一种稀疏编码分类器与深度卷积神经网络的结合。该模型在自编码器的基础上引进了KL距离和L1范数作为稀疏项,构成新的稀疏自编码器。并在次通过稀疏自编码器学习输入样本特征,将训练好的权值作为卷积神经网络的卷积核从而提高了识别速度。在稀疏编码阶段用L<sub>1</sub>-L<sub>2</sub>范数代替L<sub>0</sub>范数,并在KSVD上添加了判别分类能力使其更好的进行分类运算,以此提高识别准确率。实验结果表明,该方法识别准确率达到了95%,满足了工程上的应用,并有很好的鲁棒性。     

基于神经网络的语音识别技术研究

对BP神经网络在特定人语音识别技术中的应用进行了探索性的研究，进而对非特定人语音识别做了一定的实验和研究。通过对比分析了传统的语音识别方法——模板匹配法和人工神经网络语音识别方法的优缺点。神经网络可以得到较高的识别准确度，但是训练速度慢是它的弱点，因此，针对经典的BP算法训练速度慢的缺点，对BP网络加以改进，提高网络训练速度，通过改进使神经网络用于语音识别的各种优越性充分发挥。     

基于图像处理和模式识别的网络图像监控系统

随着科学技术和生活水平不断的提高,人们的财产和人身安全问题已经不仅仅来自于传统的经验,而是逐渐的转变到虚拟的网络当中;为此,提高人们的隐私安全和财产安全需要加强网络监控,其中图像监控是较为主要的方面;加强图像监控的可靠性和实时性,是实现社会稳步发展和人民网络隐私安全的首要目标;应用计算机网络技术和现代化通讯技术相结合,综合图像处理技术和模式识别技术的应用,设计应用于网络图像监控系统是当前社会发展的安全技术保障之一;文章通过对图像监控进行简析,阐述图像处理技术和模式识别技术的相关方面,探讨研究网络图像监控中图像识别和处理方面的技术;通过对图像处理中的色彩均化和模糊识别实验,得出其对于网络中传播的图片辨识度和提取信息能力具有很高的发展。     

黑白胶片弊病在线检测系统的研究

介绍了新开发的黑白胶片弊病在线检测系统,提出了一种适用于在线检测的快速胶片弊病检测算法。系统采用了红外光对胶片成像,并通过CCD相机采集图像信号送入计算机,通过平滑滤波、边缘提取及累加判别等处理技术,实现了对胶片弊病的识别与检测。现场调试运行表明,在卷片机车速20~70 m/min的条件下,该系统运行稳定,对于黑白胶片的各种典型弊病能够正确检测,并且能忽略掉胶片上可以接受的微小瑕疵,满足了实际生产的需要。     

用于模式识别的ART-2神经网络算法的改进

针对模式识别中模式有序输出的要求,对ＡＲＴ－２神经网络的算法进行了改进和调整,提出了ＡＲＴ－２神经网络的改进算法,通过对改进算法与原算法的识别试验结果进行比较,表明该改进算法对模式的有序输出是可行的和有效的。     

基于MobileNet卷积神经网络的焊缝缺陷识别

针对焊缝X射线图像缺陷识别传统方法的计算量大与准确度差的问题,提出了基于MobileNet的识别方法。首先对样本图像进行预处理和数量上的增强;然后引入MobileNet结构以解决传统深度卷积神经网络中对计算资源要求高的问题,引入残差结构与ELU激活函数以解决原始MobileNet网络中出现的退化问题与权重偏置更新失效的问题,在训练时应用迁移学习方法,解决小数据集容易过拟合与训练效率低的问题;最后,针对相同数据集,与改进前的网络、AlexNet网络和VGG-16网络进行对比,表明该文方法具备更优的识别准确率和相比传统网络拥有更小的计算量,相比传统网络的缺陷识别方法拥有更大的应用范围。     

基于BP神经网络的粘接质量检测判别技术研究

该文针对粘接质量检测,运用BP算法和MATLAB软件,设计了用于粘接质量模式识别的神经网络。该网络能够对粘接质量合格与否进行比较精确的判别,判别正确率达到了98%。神经网络训练成功后,用未经训练的数据检验神经网络的检测能力,识别正确率达到了91.3%,充分证明了该网络模型的准确有效性。     

一种在线图像编码识别系统的设计

本文介绍了在线图像编码字符识别系统的设计与实现过程,对其中重点环节进行了分析与研究,给出了主要环节问题的解决方法,在识别算法上,结合模板匹配与特征识别,提出了基于特征加权的模板匹配算法,该算法对提高字符识别率提到了较好的作用。