修复缺陷嫌疑区域的无监督磁瓦表面缺陷检测

磁瓦表面缺陷样本数量少,异常视觉特征分布发散,现有依赖目标特征的有监督检测方法不能有效检测未定义缺陷;磁瓦表面正常纹理呈非均匀且非周期性分布,使得经典重构网络难以准确地重构磁瓦表面正常特征,导致相关无监督检测方法性能低下.为此,采用多头注意力增强的掩码图像修复网络(MIINet),长距离提取图像特征,捕捉全局信息,增强图像修复的能力;引入视觉显著性算法抑制磁瓦表面纹理信息和突显缺陷区域,以便二值化算法精准分割缺陷嫌疑区域;利用MIINet修复待检测图像缺陷嫌疑区域,选用修复前后图像的残差图像和结构相似性实现缺陷检测与缺陷判定.与经典无监督方法相比,修复缺陷嫌疑区域的表面缺陷检测方法的准确率提升了2.36%,F1值提升了1.62%.

基于卷积神经网络和模态转换的磁瓦内部缺陷检测方法

针对人工检测磁瓦内部缺陷过程中需要成熟的经验知识,检测过程不稳定且效率较低等问题,设计一套智能化检测系统。受人工检测的启发,提出一种基于卷积神经网络和模态转换的磁瓦内部缺陷检测方法。将时域信号转换为时-频域语谱图,利用卷积神经对语谱图提取特征并分类。为更精准地强调重要信息而抑制无关信息,将坐标注意力机制引入到卷积神经网络中。提出的基于卷积神经网络和模态转换的预测模型的准确率达到98.4%,证明提出的检测方法对于磁瓦内部缺陷检方法是有效的。实验结果表明,模态转换和坐标注意力机制能提升模型的性能。

基于改进扩散模型的磁瓦表面缺陷检测方法

针对电机磁瓦图像对比度低,噪声严重,存在亮条纹干扰,表面缺陷检测困难的问题,提出一种具有亮区抑制功能的各向异性扩散模型。首先设计出亮区特征描述算子用来区分缺陷和干扰,再构造出新的扩散系数函数。实验结果表明,相比同类算法,该模型在背景平滑、边缘检测、图像分割和缺陷识别上都有明显优势,对气孔和裂纹缺陷的检测准确率分别达到95%和89%。该研究有效增强磁瓦的低对比度图像,提高缺陷检测精度,具有较高的工程应用潜力。

融合改进小波变换的小型磁瓦表面缺陷检测方法研究

针对磁瓦表面光照不均匀且表面纹理复杂的问题,提出一种改进小波自适应阈值去噪方法来消除磁瓦表面复杂的纹理,同时又能较好的保持边缘;针对传统的阈值分割方法面对磁瓦表面照明不均匀不能较好的分离背景和前景问题,将自适应阈值分割方法进行了改进,经过形态学处理和边缘检测实现了磁瓦缺陷的检测。研究表明,所用的滤波方法运行时间为0.0866秒,检测准确度达到了90.6%,并且改进后的自适应阈值分割更有利于提取缺陷,为磁瓦的缺陷检测提供了一种可实现的解决方案。

基于YOLOv8n的磁瓦缺陷检测算法

为了提高磁瓦表面缺陷检测的精度,提出基于YOLOv8n的磁瓦缺陷检测算法YOLOv8-OSE.采用全维度动态卷积模块替代颈部网络中的普通卷积,增强模型的特征提取能力,减少模型的计算量;其次,在颈部网络中加入置换注意力机制,通过结合通道和空间注意力,增强模型对小目标的检测效果,使模型更加精准地定位目标位置;最后,为了解决缺陷样本不平衡和宽高比问题,引入EIoU损失函数,提高模型的收敛速度和回归精度.在磁瓦数据集上的实验结果表明,YOLOv8-OSE算法的平均精度mAP@0.5达到87.6%,mAP@0.5∶0.95达到51.6%,相较于YOLOv8n算法,分别提升了4.5%和2.6%.同时,模型的参数量和计算量基本保持不变.与当前主流的检测算法相比,YOLOv8-OSE算法的检测精度具有一定优势,能够在保持低算力的同时满足高精度的部署需求.

基于ResNet-18的磁瓦缺陷检测

由于磁瓦在实际生产中会产生多种类型的缺陷,针对磁瓦生产的表面检测高质量要求,提出一种基于ResNet-18的磁瓦缺陷检测方法。首先通过构造磁瓦缺陷的不同类型数据集,再将数据集通过图像增强等方式扩充数据集进行预处理;引用ResNet-18作为训练所用的网络,设置好网络模型参数;最后通过网络训练完成对磁瓦缺陷的分类及标注。实验结果表明:扩充后数据集对比于原始数据集和其他方法,采用的方法中模型测试准确率更高,搭建的ResNet-18网络具有更好的鲁棒性和泛化性,证明了可以满足磁瓦缺陷检测中的可能性。

磁瓦柔性成像新型LED光源热阻分析与计算

在磁瓦表面缺陷检测新型LED光源的研制工作中,需要对光源进行热设计,以保证光源性能稳定可靠。通过构建LED光源热阻模型,分析降低热阻的有效措施,提出基于虚拟独立网格单元的LED光源散热计算方法。计算结果表明,光源散热量仅为LED耗散功率的14.69%,不能满足光源散热要求。通过将光源控制方法改进为触发控制,使光源平均输入功率降低为其耗散功率的1.2‰,从而保证光源的热稳定性。试验结果和光源实际工作性能验证该方法的正确性与可行性。

基于隐私保护的无监督电机磁瓦表面缺陷检测研究

电机磁瓦是一种主要用在永磁电机上的瓦状磁铁,其表面缺陷检测是确保产品质量和电机性能的一个重要环节。因此,基于标准化流和卷积自编码器,构建了两阶段表面缺陷检测方法,同时采用联邦学习实现了在保护电机缺陷数据隐私的同时,对电机磁瓦表面缺陷进行高效检测。首先,利用预训练的编码器提取特征,将其作为标准化流分类网络的输入,并共享给解码器部分;然后,利用重构误差实现缺陷分割,利用联邦学习实现对数据的隐私保护。相比于有监督学习对缺陷样本的依赖,该方法在训练时只需正常样本,实现了无监督检测,摆脱了对缺陷样本的依赖。最后,在电机磁瓦表面缺陷数据集上验证了该方法的优越性。

基于S-ASPP和双注意力机制的磁瓦外观缺陷检测算法

针对现有视觉缺陷检测算法对磁瓦外观识别精度低的问题,提出一种S-ASPP和双注意力机制的磁瓦外观缺陷检测算法。首先,为了解决模型参数量大,网络结构复杂所带来的检测效率低,算法部署硬件成本高等问题,提出采用轻量化GhostNet主干网络提取视觉底层特征;其次,设计S-ASPP模块引入密集连接和深度可分离卷积,以此在降低模型参数量的同时,提高模型的预测速度。然后,为了解决特征提取过程中可能出现语义信息丢失的问题,设计双注意力模块,将GhostNet的中层特征送入双注意力模块并与ASPP处理后的高层特征进行拼接,使网络获取更多语义特征,提高分割精度。最后,为验证本文所提方法的有效性,在磁瓦数据集上与DeepLabV3+、PSPNet、U-net等3种算法进行对比,实验结果表明,基于可分离ASPP和双注意力机制的磁瓦缺陷检测算法的具有较高的识别精度,平均交并比达到82.43%,类别平均像素准确率达到93.08%。该算法平衡了识别精度与参数量之间的关系,综合性能最优。

永磁铁氧体磁瓦高压喷淋清洗机的设计与开发

为了解决永磁铁氧体磁瓦的清洗问题,开发设计了一种永磁铁氧体磁瓦高压喷淋清洗机。介绍了其主要包括前后设置的清洗机支撑架和分拣台,清洗机支撑架上依次设置有皮带输送机构、磁瓦输送驱动机构和清洗仓,清洗仓内设置有背板,并通过分隔板分为喷淋仓和风干仓,背板上设置有贯穿喷淋仓和风干仓的组合导轨,组合导轨上方沿输送方向设置有若干压条,喷淋仓和风干仓内组合导轨的上方和下方分别设置有安装于背板上的若干喷淋嘴和风干喷嘴。该永磁氧体磁瓦高压喷淋清洗机不仅可以有效解决磁瓦清洗问题,还可无缝对接磨床生产线和分拣工序,有效提高生产效率,降低劳动成本。

外转子型风机用锶永磁铁氧体磁瓦关键生产工艺技术研究

为满足外转子型风机对关键零部件永磁铁氧体磁瓦的特殊使用要求,针对目前行业风机磁瓦生产成本高、合格率低、产品强度差和磁瓦磁特性利用不充分等问题,从锶永磁铁氧体磁瓦的用料、球磨、成型、烧结、磨削工艺、模具设计以及外观标准等生产工艺方面进行了研究。通过研究得到了常规外转子型风机用锶永磁铁氧体磁瓦的材料性能、球磨、成型、烧结、磨削工艺、外观等关键生产工艺技术要求范围和控制点;利用反压模具特殊设计并严格执行生产工艺技术要求范围和控制点,可提高磁瓦磁特性利用率,降低材料成本,提升产品合格率和强度。

磁瓦自动顺位输送机的研究与设计

介绍了一种磁瓦自动顺位的输送机,输送机包含输送单元、校准单元,目的在于实现磁瓦在第一输送带上的位置校正,即磁瓦两端平行输送带的长度方向,避免磁瓦在第一输送带上偏向而导致磁瓦被磨削为平行四边形或堵塞两端磨削单元的输料口。

改进YOLOv5s的磁瓦表面缺陷检测算法

针对磁瓦图像的高对比度和不同缺陷类别的差异较大,工业生产环境中磁瓦检测方式漏检率高、检测效率低下的问题,提出一种基于YOLOv5s的改进算法。该算法在Neck端使用GSconv (group shuffle convolution)替换原有标准卷积,实现网络轻量化的同时提升检测精度;在BackBone引入CA(coordinate attention)注意力机制,对重要的特征进行强化,提升网络特征提取能力;将原有模型中CIoU损失函数替换为SIoU损失函数,使模型在训练过程中能更快收敛。实验结果显示,改进后的算法平均精度达到了97.1%,相对于原有的YOLOv5s模型,提升了1.8%。

基于小波模极大值的磁瓦裂纹缺陷边缘检测算法

为了准确提取磁瓦表面缺陷的边缘信息,提出一种基于图像加权信息熵和小波模极大值相结合的磁瓦表面裂纹缺陷的边缘检测算法。针对磁瓦表面缺陷对比度低、背景纹理对边缘提取干扰大等特点,设计了一种自适应改变截止频率的BHPF滤波器。利用图像梯度方差加权信息熵对背景纹理的清晰程度和复杂程度进行定量描述,拟合出信息熵同截止频率的非线性函数关系,自适应改变滤波器参数。为避免在多尺度下将缺陷的边缘信息丢失,采用分解尺度判别函数获取小波变换的最优分解尺度。为保证裂纹缺陷边缘连续性和定位准确性,采用双阈值对小波模极大值进行判定求得边界点。实验结果表明,该方法对磁瓦裂纹缺陷边缘的检测优于传统的Canny和Sobel边缘检测算子,可用于磁瓦其他缺陷的提取,为实现缺陷的自动识别奠定了基础。

非下采样Contourlet域自适应阈值面的磁瓦表面缺陷检测

为提高磁瓦表面缺陷人工检测效率、防止缺陷漏检,针对经典缺陷检测算法不能很好地提取颜色暗、对比度低的磁瓦图像缺陷问题,提出一种非下采样Contourlet域自适应阈值面的磁瓦缺陷自动检测方法.该方法根据非下采样Contourlet变换(NSCT)子带系数所在不同区域的特性,采用线扫描的方式对NSCT系数进行阈值处理,给出不同尺度、不同方向的归一化自适应阈值面;并与原始NSCT各子带归一化系数对比分割,以实现对磁瓦图像NSCT系数逐列自适应修正;最后重构NSCT系数提取出磁瓦缺陷.实验结果表明,文中方法能够有效地去除磁瓦表面纹理,提取出磁瓦表面缺陷的准确率可达95%.

基于机器视觉的小磁瓦表面微缺陷检测方法研究

针对小磁瓦成像不清晰、检测难度大、对比度低、纹理背景复杂、亮度不均匀、缺陷区域小及缺陷种类多等问题,提出了一种小磁瓦表面微缺陷的视觉检测方法。首先,根据小磁瓦弧形表面、倒角及缺陷区域对成像的影响,通过分析了小磁瓦表面图像中缺陷区域与正常区域的灰度、灰度梯度及缺陷形态的差异,将其表面缺陷类型划分为3类;其次,根据3类表面缺陷的成像特点、缺陷形态特征及与背景区域的关系,分别设计了相应的缺陷提取方法;最后,在不同的光照、规格、缺陷类型等条件下,利用开发的实验装置进行了实验分析。研究结果表明:提出的小磁瓦表面微缺陷提取算法稳定性好、鲁棒性强,能够准确、快速地提取小磁瓦表面中的缺陷区域,检测准确率可达93. 5%。

一种基于混沌特性的磁瓦表面缺陷视觉提取方法

针对磁瓦表面的无规律磨痕、不规则倒角及缺陷的多样化复杂化,提出了一种基于混沌特性的视觉图像特征信息提取和判别方法。通过分析磁瓦计算区域灰度图像相邻2行(列)灰度值的Pearson相关系数来产生时间序列,并采用C-C方法对降噪平滑后的时间序列进行计算,得到嵌入维数、时间延迟和序列的平均周期等混沌特性参数,然后使用Wolf方法得到该序列的最大Lyapunov指数,最后使用样本的各混沌参数对神经网络进行训练并测试,对判定有缺陷的磁瓦根据其缺陷特点对其进行了提取。实验结果显示该方法能够准确地将对比度低、表面图像暗淡的磁瓦进行缺陷的自动判别和提取。

基于非下采样Shearlet变换的磁瓦表面缺陷检测

针对磁瓦表面缺陷对比度低,图像受不均匀背景和磨削纹理干扰大等问题,提出了一种基于非下采样Shearlet变换(non-subsampled Shearlet transform,NSST)的磁瓦表面缺陷检测方法。首先,对磁瓦图像进行多尺度多方向NSST分解,得到一个低频子带图像及多个频率和方向变化的高频子带图像。然后对缺陷在高低频域表现出的不同特征进行针对性的处理,在低频子带中分别计算行均值线图像和列均值线图像,将列均值线图像沿行均值线图像扩展,构造基于均值的自适应阈值对低频子带进行滤波,以去除不均匀背景;同时,利用同一分解尺度下各高频子带系数中微弱缺陷信号的方差较大,显著缺陷信号的能量较大,而噪声和背景干扰信号的方差和能量均较小的差异,构造基于Shearlet高频分解系数方差和能量的综合高频缺陷识别算子,滤除高频子带中的噪声和背景干扰。最后,对修正后的分解系数进行逆NSST重构,得到背景均匀,磨削纹理和噪声干扰被充分抑制的高对比度图像,并采用自适应阈值分割方法提取出缺陷区域。实验结果表明,该方法的假阳性率、假阴性率和检测准确率分别达到8.8%、5.0%和93.1%;本文算法在MATLAB仿真平台中平均运行时间为0.629 s;相较于现有的磁瓦表面缺陷检测算法,该方法能够有效地去除不均匀背景、磨削纹理和噪声干扰,检测结果更加准确,鲁棒性更强。

磁瓦表面缺陷自动检测系统的研究

开发了一种基于机器视觉技术的磁瓦表面缺陷自动检测系统。该系统根据功能面的特点设计了图像采集系统,综合运用图像处理技术,采用改进的中值滤波技术消除噪声,运用基于灰度直方图的阈值分割并二值化,经后形态学处理、Roberts边缘检测提取出缺陷轮廓,通过提取缺陷面积特征,经模板匹配模式识别,判定磁瓦的质量等级。用于生产线试运行表明,该系统运行稳定,检测结果精度高,克服了人工检测劳动强度大且误检率高的缺点。

基于小波变换的磁瓦表面缺陷检测方法研究

针对磁瓦表面缺陷人工检测时存在效率低、稳定性差的问题,提出一种将小波变换应用于磁瓦表面缺陷检测的视觉检测方法。实验中对随机样品磁瓦和模板正品磁瓦进行相同的处理,对比两者处理过程中采集到的参数来判别实验磁瓦是否存在缺陷。先通过小波去噪处理图像,利用灰度直方图阈值提取图像并二值化,计算对比阈值提取区域匹配相似度;再用Canny边缘检测算法提取出阈值提取区域轮廓边缘,经过形态学操作,计算对比最大轮廓长度,最大轮廓面积和凸凹平均面积;最后通过设定提取特征的合格区间来判别磁瓦是否存在缺陷。实验结果显示,该算法对倒角不合格、偏磨、掉块和起层等缺陷的识别效果较好,可将磁瓦表面存在的显著缺陷准确地检测出来。