基于CNN的工件缺陷检测方法研究

将卷积神经网络(CNN)应用于工件缺陷检测,来检测工件在生产过程中表面出现的缺陷,以提高工件的生产质量。利用CNN可以对工件的图案进行识别,但识别无法检测出细微缺陷的问题。在CNN进行工件图案识别的基础上,研究一种利用CNN实现缺陷检测的方法。该方法通过扩充缺陷样本,利用CNN识别的中间输出参数,定义了缺陷分辨率的概念来衡量缺陷的程度,当缺陷分辨率达到一定水平时则认为是无缺陷图案,否则认为其存在缺陷。实验验证了提出的CNN工件缺陷检测方法的有效性,数据表明缺陷检出率可达到93.3%。

视觉注意力网络在工件表面缺陷检测中的应用

工件表面缺陷检测是现代化工业生产中不可缺少的环节,利用卷积神经网络实现工件表面缺陷检测能有效地提升检测效果.当工件表面出现微小缺陷时,缺陷部分的特征容易被其他区域的特征所掩盖,影响检测的准确率.针对这一问题,提出了每级由3个卷积模块和一个视觉注意力模块构成的3级视觉注意力网络.通过注意力模块生成软注意力模板,为卷积模块构成的主干网络的特征图加权,增强缺陷区域特征并抑制背景区域特征,提升缺陷检测的准确率.实验采用具有明显缺陷和微小缺陷的5类工件图像进行对比测试,结果表明,软注意力模板在容易出现缺陷的区域具有更高的权值;加入视觉注意力模块能将缺陷检测的准确率从90.9%提升至98.1%.

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.