基于PSO-XGBoost的风电叶片缺陷分类算法

针对风电叶片缺陷回波信号分类效率低的问题,提出粒子群-极限梯度提升(PSO-XGBoost)算法。首先采用变分模态分解(VMD)结合模糊熵的方法对缺陷回波数据进行特征提取,建立XGBoost多分类模型,在此基础上采用PSO算法对XGBoost超参数进行寻优,建立PSO-XGBoost多分类模型。这种PSO、XGBoost相结合的算法可提高风电叶片缺陷的预测精度、减少缺陷分类的误差。通过仿真,对PSO-XGBoost、XGBoost及其他几种机器学习算法进行对比,结果表明PSO-XGBoost算法准确度最高,其缺陷分类准确率可达98%。由此可见,采用PSO-XGBoost算法可有效提高风电叶片缺陷分类的准确率。

面向工业缺陷分类的交互式易混淆缺陷分离方法研究

在工业生产中会根据严重程度对缺陷做不同处理,所以需要对缺陷进行分类。但是,实际生产中经常因为存在一些易混淆缺陷而导致分类精度不够,使得在生产实践中只能对所有缺陷进行保守处理,带来很大人力成本和经济代价。为解决该问题,提出一种交互式易混淆缺陷分离方法,将少量易混淆缺陷从其他缺陷中分离出来,从而保证剩下的绝大部分缺陷的分类结果能被直接使用。首先,将训练数据中的易混淆缺陷挑选出来作为一个或多个新缺陷类别,称之为虚缺陷,从而使得训练所得网络能区分虚缺陷和其它类缺陷。其中,还设计了一套可视化界面辅助用户交互地挑选易混淆缺陷以构建虚类别。使用实际工业现场的CMOS缺陷数据进行有效性验证,结果表明所提方法能快速分类出易混淆缺陷,并保证剩余缺陷的分类精度满足工业应用要求。

基于空频特征融合的双流晶圆缺陷分类网络

晶圆缺陷模式分类在晶圆制造过程中扮演着至关重要的角色,准确识别晶圆缺陷能够确定缺陷产生的根本原因,进而定位生产流程中的问题。然而,现有深度学习晶圆缺陷分类方法仅从空间域或者频率域出发进行网络设计,未能实现空频信息的相互补充与融合,限制了晶圆缺陷分类准确性的进一步提高。针对这一问题,提出了一种基于空间域和频率域特征融合的双流晶圆缺陷分类网络—SFWD-Net。该网络利用提出的多尺度特征提取卷积模块和多视角注意力模块构成空间流分支提取晶圆图的空间信息,利用离散小波变换构成频率流分支提取晶圆图的频率信息,空频信息融合后再进行缺陷分类。在大规模半导体晶圆图数据集WM-811K的实验证明,SFWD-Net由于同时从空间域和频率域出发进行网络设计,其分类准确度达到99.2992%,优于其他5种先进方法,能够显著提高晶圆缺陷分类的精度。

基于深度卷积神经网络的电子玻璃缺陷分类方法

电子玻璃是信息显示产业的关键基础材料之一。近年来,显示产业向大尺寸化、超高清和轻薄化发展,对于电子玻璃基板的质量提出了更高的要求。机器视觉检测具有速度快、精度高、成本低、稳定性好等优点,被广泛应用于各种工业场景中。图像处理算法、识别分类算法是机器视觉检测的关键技术。本文针对基于深度卷积神经网络的整图分类方法在电子玻璃表面缺陷检测领域的应用,从图像数据处理、卷积神经网络构建、训练调参、评价标准等方面介绍其研究进展,并总结部分应用实例,对电子玻璃缺陷分类未来的研究方向进行展望。

基于机器视觉的钢轨表面面型缺陷分类实验设计

随着城市轨道交通的飞速发展,实现钢轨表面缺陷实时检测对铁路行业稳步发展意义重大。如何实时检测钢轨表面缺陷是保障铁路运行安全亟须解决的一个关键问题。鉴于此,设计了一套基于机器视觉的钢轨表面缺陷检测实验仿真方法。搭建图像采集、图像预处理和缺陷分类等模块;提出自拟合亮度调整算法完成像素值统计,得到清晰的缺陷特征图像;用750组数据训练网络权值,实现缺陷分类预测;经过数据分析和误差评估,识别准确率在90%以上,相关系数高达0.96,单幅图像平均耗时1.267 s,测试表明,所提方法能准确、高效地实现钢轨表面缺陷信息的缺陷分类与识别。

基于改进的MobilenetV3热轧钢带表面缺陷分类

提出一种基于轻量化神经网络MobilenetV3-large改进的热轧钢带表面缺陷分类算法,通过剪枝、大量削减卷积层数、调整通道大小和步长,以及修改对应的网络参数快速降低了参数量.为弥补修改模型带来的准确率下降的问题,将激活函数ReLU更换为Hard-Swish,引入置换注意力机制替换原模型中的通道注意力机制,在进一步降低参数量的同时提高运行效率和分类准确率.在NEU-CLS表面缺陷数据集中的试验结果表明,改进后的算法参数量为0.5 MB,相比原模型降低96.89%,训练图片的时间由19.81 ms/幅降至10.73 ms/幅,平均准确率为99.26%,比改进前提高了5.56%,表明改进后的算法可应用于实时分类.

利用压电传感器基于GAF-ResNet的管道焊缝缺陷分类

针对管道焊缝缺陷分类难度大的问题,提出了利用压电传感器数据,结合格拉姆角场(Gramian Angular Field,GAF)和残差神经网络(ResNet)的焊缝缺陷分类方法。先采用GAF原理将一维时间序列数据转化为二维图像,将转化后的二维图像数据集输入,训练最优二维残差神经网络模型用于焊缝缺陷分类。实验中管道焊缝预制了10个缺陷(5种类型),使用导波和超声技术分别对焊缝中1-5号缺陷进行检测,分析Precision(精确率)、Recall(召回率)、F1-score(F1评分)三个指标,证实了基于GAF-ResNet方法的可行性,同时6-10号缺陷验证了该方法的可靠性和普适性。

基于深度学习的光伏板缺陷分类定位算法研究

提出了一种基于深度学习技术的光伏板缺陷分类定位方法,用于快速准确地确定光伏板缺陷的位置和类型。为了克服传统单张图像缺陷检测方法的视角限制,采用图像配准、拼接等算法生成高分辨率的光伏全景图像,并使用深度学习技术对光伏板红外图像进行缺陷分类,通过与可见光图像进行对比,可以有效地确定光伏板缺陷的类型。光伏板缺陷分类的准确率、精确率、召回率和F1分数分别达到了93.71%、93.13%、93.20%和93.11%。与传统方法相比,该方法具有非接触、高效和快速等优点,适用于大规模光伏板缺陷的检测和定位,能够在短时间内获取准确、全面的光伏板缺陷信息。

基于邻域自注意力的钢铁表面缺陷分类算法

针对钢铁表面缺陷成像模糊以及缺陷类型多样易混淆导致分类精度低的问题,设计了一种基于邻域自注意力的钢铁表面缺陷分类算法。首先,使用自相关模块计算图像邻域中的自相似性并通过上下文特征感知来捕捉语义对象的差异;然后,采用多尺度特征融合保持特征图信息完整,进一步增强模型的表达能力。实验结果表明:在NEU-CLS-64数据集上该算法分类精度达到了96.20%,与ViT-B/16、Swin_t、ResNet50、MobileNet_v3_small、DenseNet121和EfficientNet_b2相比,精度分别提高了9.39%、5.11%、4.83%、3.30%、3.24%和2.97%,即所提算法可以有效提高钢铁缺陷分类的准确率且检测结果稳定、运行时间短。

基于多尺度特征聚合的铝材表面缺陷分类

针对铝材表面缺陷不明显和缺陷尺度差异大导致缺陷类别难以识别的问题,提出了一种多尺度特征聚合的分类方法。首先,使用改进的CutMix数据增强对缺陷样本数据进行离线扩充和引入多类别FocalLoss损失函数对各类别进行加权。其次,使用多尺度特征聚合方法加强浅层特征与深层特征的信息交互融合,进而加强模型对浅层特征的关注度。最后,通过GAM注意力机制加强全局特征信息的关注度。实验表明,多尺度特征聚合的分类方法对铝材缺陷样本分类的精准率、召回率、特异性和准确率分别为95.4%、96.1%、99.6%和96.4%,相较于ResNet的分类准确率、召回率和特异性等均有明显提升,说明该方法在铝材表面缺陷分类任务中具有较好的性能。为在工业上实现铝材表面缺陷的自动化分类提供了一种可靠方案。

基于改进的稠密神经网络的晶圆缺陷分类方法研究

针对现有的晶圆缺陷分类模型并行度不高、无法很好地学习全局信息等问题,提出一种基于卷积神经网络和稠密神经网络(DenseNet)的深度学习模型,对晶圆缺陷进行了分类。在卷积神经网络的基础上,引入卷积注意力模块,在同时考虑通道维度和空间维度的特征,提升模型收敛效果和构建改进的稠密神经网络基础上,实现对晶圆缺陷的分类。结果显示:此方法在MIR-WM811K数据集上平均准确率为98.9%,F1值为92.7%,平均准确率相较DenseNet提升约2%。

近邻密度辅助模糊优化孪生支持向量机的钢板表面缺陷分类

为提升钢板表面缺陷分类精度,提出一种选择性弱化样本的分类模型。首先,在图像预处理阶段引入显著性检测算法来减少二值化后图像出现失真的影响;其次,为了降低不利的边缘样本点对模型的影响,同时又能提高有利的边缘样本点对模型的贡献,构造了一种新的密度模糊隶属度函数对样本进行权重赋值;最后,在孪生支持向量机(TWSVM)的基础上,将构造的密度模糊隶属度函数作为优化条件嵌入模型内,提出了近邻密度辅助模糊优化的TWSVM算法,以提高分类效果。在数据集NEU上的实验结果表明,引入显著性检测算法后,重新设计的特征在整体准确率上提高了1.66%,同时采用优化后的算法进行缺陷分类,准确率达到98.33%,进一步提高了分类性能。

蜂窝夹层结构缺陷红外热成像检测及缺陷分类

为实现GFRP/NOMEX蜂窝夹层结构常见缺陷的准确分类,基于红外热成像无损检测技术,采用卷积神经网络及迁移学习技术建立GFRP/NOMEX蜂窝夹层结构缺陷的分类模型,比较微调的VGG16、MobileNetV2、ResNet50、InceptionV3、DenseNet201模型对于缺陷的分类效果,结果表明以上模型针对GFRP/NOMEX蜂窝夹层结构蒙皮脱粘缺陷、夹层脱粘缺陷、积水缺陷、堵胶缺陷及健康区域均可实现准确的识别分类,其准确率均在94%以上。其中基于VGG16的两种迁移学习模型及ResNet50的迁移学习模型对于此数据集的分类效果优于其余几种经典模型的迁移学习网络,其准确率分别达到99.94%、99.10%、98.95%,五个类别φ值得分均高于96%,可实现缺陷区域及健康区域的有效分类。

基于对抗性弱化的多阶段钢材表面缺陷分类算法

针对钢材表面缺陷分类中缺陷特征类间差异小或类内差异大等难题,提出了一种多阶段钢材表面缺陷分类算法。首先,提出了一种基于图像拼接的数据预处理方法,在调整图像大小的同时保证了缺陷区域质量,增加了可识别的缺陷区域;然后,基于此预处理方法设计了一个多阶段分类网络来识别缺陷,网络中提出了一种基于对抗性弱化的缺陷区域挖掘模块,使得二阶段分类网络更侧重于一阶段分类网络未被注意的缺陷区域,从而计算得到更加完整的缺陷区域;最后,通过两阶段特征融合的方式得到网络的分类结果。此外,算法利用特征金字塔结构和通道-空间注意力机制设计了一种高效的特征提取网络用于各阶段分类网络实现高效的特征提取。在两个钢材缺陷数据集上进行了对比和消融实验,实验结果表明所提出的算法优于现有分类模型,同时在实际生产环境测试中也展示出良好的适用性。

基于多尺度特征融合的钢材表面缺陷分类方法

针对钢材表面缺陷分类检测率低的问题,文中采用一种基于纹理多尺度特征融合的表面缺陷分类方法。利用Gabor滤波器与灰度共生矩阵建立纹理图像的多尺度特征向量,同时利用卷积运算对纹理图像进行特征提取,并引入混合膨胀卷积模块以增加感受野,将两种特征向量进行融合得到加强后的融合纹理特征向量。融合后的特征以序列方式输入长短时记忆网络(Long Short-Term Memory,LSTM)构建分类模型,利用混淆矩阵将分类结果进行指标评判。结果表明该方法在NEU(Northeastern University)数据集上的分类准确率达到97.5%。文中搭建LSTM网络、BP(Back Propagation)神经网络、SVM(Support Vector Machine)、KNN(K-Nearest Neighbor)以及CART(Classification And Regression Tree)等分类方法进行了对比实验。结果显示,在多尺度下LSTM分类方法表现最好,F1指标最高。结合BP网络、LSTM网络、SVM、KNN、CART、CNN以及AlexNet等方法进行了消融实验,验证了该方法的普适性。该方法充分挖掘了纹理图像的多尺度特征信息,对钢材表面缺陷分类方法的研究具有积极意义。

基于IGWO-SVM的带钢表面缺陷分类研究

为了提升带钢表面缺陷分类准确率,提出了一种基于IGWO-SVM的带钢图像分类方法。首先引入混沌序列、精英反向学习策略和动态非线性收敛因子来设计改进灰狼优化算法,利用改进灰狼算法优化支持向量机的参数,然后使用优化后的支持向量机对带钢表面缺陷图片进行分类。文章使用了6个基准函数和带钢表面缺陷图片进行仿真实验,实验结果表明,改进灰狼算法拥有更高的精度和收敛性,改进灰狼算法优化支持向量机分类能够有效提升分类准确率。

软件缺陷分类的研究

软件缺陷分类是缺陷管理的基础,是预防缺陷的有力支持工具。阐述了缺陷的概念、危害以及对软件缺陷分类的必要性,对各种软件分类方法进行了深入分析和研究,比较了各类分类方法的优缺点以及正交缺陷分类的使用情况,在正交缺陷分类标准的基础上制定出适合本软件组织自身情况的软件缺陷分类方法,最后对软件缺陷分类意义进行了总结。

基于机器学习的钢轨表面缺陷分类识别

通过探讨一种基于机器学习的钢轨表面缺陷分类识别算法。该算法首先进行缺陷特征量的计算和提取,随后利用缺陷特征数据集对机器学习算法模型进行训练,最终利用训练好的算法模型对铁轨表面的缺陷进行识别和分类。

幕墙缺陷分类及预防措施研究

幕墙的最大特点是将建筑物的功能、结构、节能、美学等因素有机结合起来,赋予建筑独特风格和灵动气质。一直以来建筑幕墙的安全性、耐久性、节能性、防护性受各行业广泛关注,同时随着工期压缩,行业人员经验下滑,幕墙缺陷问题愈加凸显。因此将信息化智能化手段运用至幕墙设计与施工场景中,对幕墙缺陷分析与预防进行研究,形成可复制的管理手段和工具,是非常有意义的研究目标。根据上述分析,通过对各类幕墙施工全过程所遇到问题的总结提炼,结合工艺优化、设计优化、节点优化等相关手段,对不同的缺陷问题进行分析解决,进而形成幕墙缺陷分类和缺陷预防措施是亟待解决的问题。

配网超声波带电检测技术及缺陷分类识别方法

在对配网进行带电检测的环节中,常规的方法对于开关柜等复杂设备的处理效果不佳,因此,提出配网超声波带电检测技术及缺陷分类识别方法。首先,计算超声波带电检测的均值,进一步构造音频中循环放电处的特征向量,分析音频数据的重复性特征,完成配网缺陷基础信息数据的处理,提取数据特征。然后,在此基础上,建立缺陷分类数据库,构建仿真模型,调整训练规则,消除二次回路缺陷信号中的噪声。最后,通过最优超平面即可实现缺陷分类识别。结果表明,该方法的精确度为98.7%,在各样本上的表现都较为稳定,可以提升配网超声波技术的检测效果。