基于改进粒子群优化的K-means聚类的焊接缺陷图像识别

针对传统检测方法对焊接缺陷图像识别的缺点,提出基于改进粒子群算法优化的K-means聚类的焊接缺陷图像识别方法。运用HOG算法提取焊接缺陷图像的特征,利用IPSO算法对K-means聚类模型的聚类点数K进行参数寻优,从而实现对焊接缺陷的检测识别,实验验证表明,该方法能够有效提高焊接缺陷图像的识别效果,总体识别准确度达到94%。

基于特征聚类的轨道不平顺潜在病害辨识

研究目的:轨道不平顺潜在病害隐蔽性强,对其准确合理辨识是开展预防修策略下线路养护维修作业的前提。本文以轨检数据为基础,分别构造了以轨道质量指数(TQI)和轨道不平顺幅值为对象的潜在病害辨识指标。在此基础上,基于k-means++聚类算法和手肘法通过判定样本最佳聚类簇数实现潜在病害的识别及定位。依托某有砟铁路动检数据对所提轨道不平顺潜在病害辨识方法进行了验证。研究结论:(1)对于均值管理来说,在16 km连续轨道区段上2处区段单元潜在病害被准确识别,其历史最大TQI值分别约为5.5 mm、5.3 mm,且潜在病害定位结果与实际里程基本吻合;(2)对于峰值管理来说,在500 m连续轨道区段上2处局部不平顺潜在病害也被准确识别,其历史最大幅值约为3 mm、3.3 mm,潜在病害定位结果与实际里程基本吻合;(3)本研究成果可与大机捣固作业、人工精调作业相结合,为预防修策略下的潜在病害整治提供辅助参考。

融合注意力机制的改进型YOLOv5绝缘子缺陷故障检测方法

在电力系统巡检过程中,人工巡检方式难度较高,且存在安全隐患,搭载智能算法的无人机平台代替人工进行绝缘子检测的方法前景较好。针对绝缘子缺陷目标检测过程中存在的速度较慢、准确度较低等不足,提出了融合注意力机制的改进型YOLOv5绝缘子缺陷故障检测方法,该方法在YOLOv5s网络中融入压缩与激活(squeeze-and-excitation,SE)注意力模块和卷积块的注意力模块(convolutional block attention module,CBAM),并且将SE注意力模块与网络结构当中的C3模块结合,强化了网络的特征提取能力。通过相关的图像处理方法完成了自建绝缘子数据集的构建,采用了K-means++聚类算法构建自建数据集的先验框,并引入了Mosaic-9数据增强策略,有效解决了训练数据不足难以保证训练效果的问题。实验验证表明,改进后的检测方法,在不影响检测时间的前提下,绝缘子检测的准确度提升了9.7%,对电力系统巡检方法具有一定参考意义。

面向热轧带钢表面缺陷检测的YOLOv5算法优化分析

单阶段目标检测网络YOLOv5在处理热轧带钢表面缺陷的特征提取与感受特征融合时存在一定不足。文章提出一种适用于热轧带钢表面缺陷检测的优化YOLOv5算法,该算法通过IOUK-means++算法调整Anchor聚类锚框设定,并增加Dynamic Head目标检测头,引入通道注意力机制(C3_CA),同时结合Hard Swish激活函数与WIoU_Loss边界框回归函数,有效提高热轧带钢表面缺陷检测的综合精度。由NEU-DET数据集测试结果表明,相较于单阶段YOLOv5算法融合结果,优化后的YOLOv5网络模型的均值平均精度(mAP)可提高至75.7%,且网络约束率可有效提升6.1%。上述优化YOLOv5算法对热轧带钢表面缺陷位置勘定、分类指向与影响评估具有有益参考,同时也为金属表面的高精度筛检提供重要支持。

基于Mean Shift滤波的织物疵点检测方法

为了实现自动织物疵点检测,提出了一种基于Mean Shift滤波的织物疵点检测方法。该算法首先求取织物样本的熵图像,反映原始图像信息的变化程度,然后对熵图像进行Mean Shift平滑滤波,达到去除噪声和增强织物疵点部分的目的,从而利于疵点的分割,最后对滤波后的图像进行阈值分割,得到二值化检测结果。对6种纹理织物进行处理,共检测出18种疵点,92.5%的疵点可以被成功检测并定位。另外,实验中还将Mean Shift滤波与Gabor滤波的检测结果进行了比较,结果表明Mean Shift滤波对某些类型的疵点的检测效果更为理想。

基于FCM及快速迭代收缩阈值算法的平面ECT图像重建

为提高平面阵列电容成像系统的成像精度,提出一种基于模糊C均值聚类(FCM)进行数据优化的快速迭代收缩阈值算法(FISTA)。根据平面阵列电容数据的特点,首先利用FCM算法对测量电容值进行分类,保留有效电容值,实现电容向量降维;然后利用离散小波基(DWT)对灰度值进行稀疏表示,并建立L1正则化模型,采用FISTA进行求解,以实现图像重建;最后将FCM处理后的电容值分别用于Landweber算法、Tikhonov算法进行重建对比。仿真与实验结果表明,该算法重建图像的平均相对误差约为0.0527,平均相关系数约为0.9422,均优于其它算法,且重建图像伪影较少,更接近真实情况;因此,所提算法具有更好的重建效果。。

基于K-means与SVM的鸡蛋特征检测

机器视觉与机器学习的不断发展对传统的视觉特征提取的影响在不断加强,在实际的使用当中也在逐步替代那些繁杂的人工特征提取的方式,论文从实际应用当中介绍一种基于K-means自动提取特征的方法,其在鸡蛋缺陷检测使用中得到了较好的实际效果。

k-means聚类算法在织物疵点检测中的应用

为检测常见织物的各种疵点,提出一种基于k-means聚类的织物疵点检测方法。对采集的图像进行中值滤波,以减轻纹理对疵点检测的影响,并利用方差采样算法增强织物的疵点特征信息;利用k-means聚类算法对方差采样后的图像进行处理,使得疵点区域被划分一类,非疵点区域划分为一类。最后经过二值化,分割出疵点。实验证明,该方法能快速、准确的检测出织物的常见疵点。与其他方法相比,文章提出的算法采用聚类思想对织物疵点进行分割,不需要利用正常织物图像进行阈值计算;另外经过方差采样算法处理后疵点信息明显增强,使得疵点信息与纹理明显不同,从而使聚类更为准确,增加了检测的准确度。

改进型NL-means算法滤除快中子图像噪声

分析了快中子照相图像的主要噪声特点和传统NL-means滤波算法的不足,提出了一种改进的适用于快中子照相特点的Nl-means图像滤波算法。实验结果表明,改进之后的算法不仅可以有效滤除快中子照相图像中的大量白疵点,而且有效的保护了图像中的边缘与细节信息,可为快中子照相图像的进一步处理提供参考。

Mean shift算法在带钢缺陷图像分割中的应用

带钢自动表面检测系统中缺陷图像的分割效果对缺陷识别具有重要影响.为了提高缺陷图像的分割效果,提出了采用Mean shift算法对带钢缺陷图像中的感兴趣区域进行平滑从而获取缺陷边缘的方法,并将该算法与中值滤波算法进行了比较.测试结果表明,Mean shift算法能够有效地对缺陷图像中的感兴趣区域进行平滑,并精确得到缺陷目标的边缘,该算法在带钢的缺陷分割中具有较好的性能.

基于改进K-means聚类的木材缺陷彩色图像分割算法研究

为实现木材缺陷图像的准确分割，研究了在RGB色彩空间使用K-means聚类算法进行木材缺陷图像的分割方法，针对K—means聚类算法图像分割的不足之处，并提出了一种改进方案。在改进算法中，加入对图像像素点的邻域处理，根据邻域特性适时调整原图像，充分利用图像像素的区域特征，以此来抑制一些局部噪声。实验结果表明，改进算法不仅能够滤除较多的干扰信息，而且能更好的拟合分割边界，改善图像的分割效果。

基于改进的加权中值滤波与K-means聚类的织物缺陷检测

为检测纹理织物在生产过程中产生的各种疵点,提出一种基于改进的加权中值滤波与K-means聚类相结合的纹理织物疵点检测方法。首先利用改进的加权中值滤波对纹理织物图像进行预处理,以减少纹理信息对疵点检测产生的影响,同时通过联合直方图动态数据分配权重和像素,减少寻求中位数的时间来有效地缩短检测时间,提高了执行速度;然后采用K-means算法对滤波后的织物图像进行聚类,计算织物图像疵点和非疵点的聚类中心,进而实现图像疵点区域的分割。实验结果表明,该方法可有效地检测出方格、点形、星形、平纹、斜纹等多类型纹理织物的疵点,并显著提高检测速度。

一种用于轴承缺陷图像分割的改进k-means聚类算法

为了实现轴承缺陷无损检测自动化,研究了轴承表面缺陷图像的分割方法。在数字图像处理技术的基础上,提出一种改进的k-means的图像分割算法。先利用二维向量小波变换对图像提取特征,根据表面缺陷特征,运用k-means算法的思想,对其进行改进。试验结果证明,该方法显著提高了分割速度和精度,受背景、光照、角度、姿态的影响很小,具有较好的鲁棒性,具有一定的使用价值。

基于DCGAN和改进YOLOv5s的钢丝帘布缺陷检测方法

为解决钢丝帘布表面缺陷检测准确率低且泛化能力不强的问题,提出了一种基于DCGAN和改进YOLOv5s的缺陷检测方法。首先,通过调整DCGAN网络参数并优化超参数,使生成器能够生成具有丰富特征和清晰纹理的钢丝帘布缺陷图像,从而扩充数据集;其次,采用K-means++算法对钢丝帘布缺陷数据重新聚类锚框,以获得更优的锚框参数,实现锚框与实际缺陷的精确匹配;然后,在YOLOv5s主干网络中的C3模块添加坐标注意力机制,以增强模型的特征提取能力和精确定位能力;最后,引入MPDIoU损失函数替换YOLOv5s原损失函数,进一步提高检测精度。实验结果表明,在实测钢丝帘布缺陷数据集上,采用DCGAN数据增强和改进后的YOLOv5s检测模型,缺陷检测平均精度提高了6.6%,达到了89.4%,并且检测准确率和召回率也有所提高。与其他主流检测模型相比,该模型不仅在检测速度上提高了约30%,还保持较高的检测精度。在公开的NEU-DET数据集上,该模型的mAP值达到了82.6%,较原始YOLOv5s模型提高了3.8%。

KThin-YOLOV7:轻量级的焊接件表面缺陷检测

针对目前市面主流焊接件表面缺陷的模型检测精度不高,模型复杂和不满足实时监测等问题,提出了一种基于YOLOV7-tiny改进得到的焊接件表面缺陷新型检测模型KThin-YOLOV7。首先,设计了基于模拟人类视觉感受野的EMA-BasicRFBC模块,更换YOLOV7-tiny模型的空间特征金字塔SPP模块,从而加强模型特征表达的性能。其次,以SlimNeck设计范式结构为基础设计了ThinNeck结构,并用其更换YOLOV7-tiny的NECK特征融合部分,减少模型的参数量和计算量的同时提高了模型的平均检测精度。最后,引入K-means++算法找出合适的锚框,并用FEIOU损失函数更换原模型的LOSS,进一步帮助模型优化目标框的位置和大小。KThin-YOLOV7相对原始YOLOV7-tiny模型的mAP提升了7.11%,达到87.64%,同时模型的参数量和计算量分别下降了11.14%和15.26%。实验结果表明,KThin-YOLOV7能够高效且准确地定位检测焊接件表面的缺陷。

基于K-means聚类和LVQ神经网络的 OLED缺陷像素识别

提出改进的K-means聚类分割和LVQ神经网络分类的方法,用于有机发光二极管显示面板喷墨打印制程中缺陷像素的识别。首先采用改进的K-means聚类算法对预处理后的打印像素进行分割,然后采用连通域水平矩形确定每一个打印像素的坐标及几何特征,再通过灰度共生矩阵提取其纹理特征,最后通过LVQ神经网络对所述特征进行分类,完成缺陷像素的标记及分类统计。结果表明,本文算法的识别率明显优于其他常用分类识别算法,平均缺陷检测率为100%,分类准确率达到98.9%,单像素检测时间为8.3ms。

基于K-means聚类的磁瓦缺陷图像分割方法

为了实现磁瓦图像中缺陷的准确检测,以分割磁瓦端面崩块缺陷为目的提出一种基于K-means聚类的分割方法。磁瓦图像采集的关键技术是光源选用,分析传统的磁瓦图像分割方法——阈值分割,并以迭代选择阈值算法作为对比算法进行介绍;着重剖析K-means算法的基本聚类原理,并引出其算法实现流程。采用两种算法对磁瓦端面图像进行分割。结果表明,基于K-means聚类算法对磁瓦图像进行分割,能够正确分割出磁瓦端面的崩块缺陷。

基于L0梯度最小化和K-Means聚类的织物缺陷检测研究

为了控制产品质量,保障织物的美观和舒适性,针对织物表面的缺陷,课题组提出了一种基于L0梯度最小化和K-Means聚类的缺陷检测方法。主要分为2个步骤:首先,使用L0梯度最小化将缺陷图像进行平滑,去除背景纹理的影响,保留图像较大的边缘;然后,使用K-Means聚类对平滑后的图像进行聚类,从而分割出缺陷区域。将该检测方法用于纺织厂收集的缺陷图像上进行验证,实验结果表明该方法能准确地检测出织物表面缺陷。该项研究提高了检测效率,满足织物生产的要求。

基于改进FCM和PSO-SVM的焊接缺陷识别

为实现海洋工程钢结构件焊接接头缺陷的客观、智能化分类,本文以其数字射线检测图像作为研究对象,进行基于改进的模糊C均值聚类算法(FCM)和粒子群优化支持向量机(PSO-SVM)的缺陷识别研究。首先,基于限制对比度直方图均衡化去除原始图像中干扰噪声,引入像素点加权系数ω改进FCM进行图像分割;然后,基于灰度共生矩阵提取图像纹理特征,利用主成分分析法进行特征数据降维,将粒子群优化与支持向量机分类相结合进行参数寻优,建立纹理特征与缺陷类型间的连续变量分类模型;最后,以多人工综合完全正确的评价结果验证缺陷识别模型的有效性和准确性。结果表明:所训练的识别模型准确率为96.11%,经验证其识别准确率约为95.2%。与未经限制对比度自适应直方图均衡化(CLAHE)增强的模型、反向传播(BP)神经网络模型对比,该模型可以很好地实现常见缺陷的识别,且误差小,可应用于船用钢数字射线焊接缺陷识别领域。

基于改进K-means算法的工件表面缺陷分割算法研究

工件表面缺陷的存在影响工件产品的质量以及工件的安全使用,传统的工件表面缺陷检测由人工完成,工作量大且易受到检测人员主观因素的影响,很难保证检测的效率与精度.本文提出了一种基于改进的K-means算法的工件表面缺陷分割算法,将自适应人类学习优化算法应用到Kmeans聚类算法中,使自适应人类学习优化算法初始化K-means聚类算法的聚类中心,最后将改进的K-means聚类算法结合形态学进行工件表面缺陷的检测.实验表明,该算法能够较理想的分割出工件表面的缺陷,具有分割精度高、实用价值较好的特性.