基于LIR和GFNet的带钢表面缺陷识别

针对深度学习(deep learning,DL)模型处理带钢表面缺陷图像存在计算成本大、实时性差的问题,提出了一种基于可学习的图像调整器(learnable image resizer,LIR)和扫视-聚焦网络(glance and focus network,GFNet)的带钢表面缺陷分类方法。首先,针对DL模型在处理带钢表面缺陷图像时存在空间冗余的问题,提出GFNet驱动的带钢表面缺陷识别模型,其可以根据不同样本自适应分配计算资源,在模型推理阶段显著减少计算量;其次,提出LIR和GFNet联合训练的方法,调整图像大小的同时实现针对识别模型的特征增强;最后,收集整理了某钢铁企业冷轧薄板厂带钢表面缺陷数据集,利用所提方法进行分析。将残差网络(residual networks,ResNet)的ResNet-50模型作为主干网络,与原始ResNet-50比较,所提方法在不牺牲准确率的情况下,将单张图像的推断时间减少约3.58倍,计算量降低约6.11倍,从而验证了提出方法的有效性。

基于小波去噪与改进Canny算法的带钢表面缺陷检测

针对带钢表面图像亮度不均匀、对比度低以及缺陷种类多、形式复杂的问题,提出一种基于小波去噪与改进Canny算法的带钢表面缺陷检测算法。首先通过小波变换将原始图像分解,对低频分量采用改进的同态滤波提高亮度和对比度,对高频分量采用改进的阈值函数进行去噪,并通过小波重构得到增强图像。其次对传统Canny算法进行改进,通过改进的自适应加权中值滤波进行平滑,并增加梯度方向模板;然后采用迭代式最优阈值选择法与最大类间方差法来求取高低阈值,提高算法的自适应性。最后采用形态学处理对缺陷边缘填充,并去除干扰边缘及毛刺,得到带钢表面缺陷区域。实验结果表明,所提算法对带钢表面缺陷的检测效果较好、精度较高,适用于多种类型的带钢表面缺陷检测。

YOLOv8-VSC:一种轻量级的带钢表面缺陷检测算法

目前在带钢表面缺陷检测领域,通用的目标检测算法复杂度高、计算量庞大,而一些中小型企业负责检测的终端设备通常不具备较强的计算能力,计算资源有限,从而导致检测算法部署困难。为解决该问题,基于YOLOv8n目标检测框架,提出一种轻量级的带钢表面缺陷检测模型YOLOv8-VSC。该模型使用轻量级的VanillaNet网络作为骨干特征提取网络,通过减少不必要的分支结构降低模型的复杂度。同时,引入SPD模块在减少网络层数的同时加快模型的推理速度。为了进一步提升检测精度,在特征融合网络中,使用轻量级的上采样算子CARAFE,提高融合特征的质量和丰富度。最后,在NEU-DET数据集上进行大量实验,得到模型的参数量与计算量为1.96×106和6.0 GFLOPs,仅为基线的65.1%和74.1%,mAP达到80.8%,较基线提升1.8个百分点。此外,在铝材表面缺陷数据集和VOC2012数据集上的实验结果表明所提算法具有良好的鲁棒性。与先进的目标检测算法相比,所提算法在保证高检测精度的前提下需要的计算资源更少。

基于元学习的带钢表面缺陷小样本语义分割

由于缺少带钢表面缺陷样本,使得深度神经网络在带钢表面缺陷检测的应用受到了限制,为解决这一实际问题,提出了一种基于元学习思想的小样本语义分割深度学习方法.该方法引入了多尺度解码器和注意力机制.多尺度解码器能够聚合不同尺度的缺陷特征信息,提高网络的分割精度.注意力机制能够有效增强缺陷信息表达,并且抑制背景信息的干扰.此外,构建了一个带钢表面缺陷语义分割数据集,该数据集包含9类带钢表面缺陷.在该数据集上进行了相关实验,结果表明本文方法在平均交并比和前景-背景交并比指标上优于PFENet,SCLNet和HSNet等方法.

面向复杂环境中带钢表面缺陷检测的轻量级DCN-YOLO

基于深度学习的智能检测技术逐渐在复杂钢铁生产环境带钢表面缺陷检测过程中使用。为了应对在资源受限的边缘设备中部署高精度模型的挑战,提出一个面向复杂环境中带钢表面缺陷检测的轻量级DCN-YOLO模型,该模型将可形变卷积网络DCN与原始YOLOv5结合,以提高模型对不同尺寸和形状缺陷的灵敏度。为降低计算复杂度,在YOLO模型中引入了深度可分离卷积DSConv和高效通道注意力机制ECA两个轻量级模块,使模型更好地理解输入数据中各个通道之间的关系,在提高模型的检测精度和泛化能力的同时,大幅降低模型的计算量。进一步通过消融实验及横向对比实验,验证了每个创新模块的有效性。通过经典的开源带钢数据集NEU-DET和实际工业带钢数据集分别验证了轻量级DCN-YOLO模型在表面缺陷检测精度和计算复杂度方面的优势。

一种改进YOLOv4-tiny的带钢表面缺陷实时检测方法

带钢表面缺陷检测是生产过程智能检测的重要任务。针对目前带钢表面缺陷检测算法效率低、实时性差的问题,本文提出了基于卷积神经网络的轻量级目标检测器。该方法以YOLOv4-tiny模型为框架,针对带钢表面缺陷检测任务的特殊性,结合了多尺度检测与空间注意力机制的优化策略,在保证检测效率的同时提高了轻量级目标检测器的精度。实验证明,所提出的改进的YOLOv4-tiny模型能够精确地检测带钢表面缺陷,平均均值精度mAP(mean Average precision)为73.29%,并且每秒帧数FPS(Frames per second)达到163,满足实际工业落地的实时性要求。

改进的RSF模型应用于带钢表面缺陷分割

可调拟合(Region Scalable Fitting,RSF)活动轮廓模型在分割带钢表面缺陷图像时易陷入局部最小值;此外,因引入高斯核函数导致边缘更加模糊而影响分割效果,针对这些问题,提出改进的RSF模型并应用于带钢表面缺陷分割。一方面,在RSF模型中引入局部灰度均值差异项作为新的拟合项,并且引入局部灰度方差差异代替原拟合项的参数,驱动曲线演化避免陷入局部最小值;另一方面,用双边滤波函数代替高斯核函数,避免对边缘模糊的缺陷造成二次模糊,同时更好地保护了边缘。在NEU带钢表面缺陷数据集上的仿真实验结果表明,改进的算法的分割效果和运行效率均优于其余3种模型,能够较快地准确分割出带钢表面缺陷,并且保留图像细节。

基于无监督域适应的跨场景带钢表面缺陷识别

深度学习模型面对跨场景的带钢表面缺陷识别时存在泛化性能差的问题,为此提出端到端的多级对齐域适应神经网络模型(MADA),实现源域与目标域数据的像素级光照分布对齐与特征级纹理分布对齐.MADA通过无参考像素级光照分布对齐模块和光照校正损失函数,将源域与目标域数据投影到光照子空间,实现源域与目标域的像素级光照分布对齐.利用纹理特征提取器和特征级域鉴别器的对抗学习,实现源域和目标域数据的纹理分布对齐.实验在邯郸钢铁集团带钢表面缺陷数据集的F1指数达到98%,在谢维尔钢铁集团带钢表面缺陷数据集上的F1指数达到86.6%.实验结果表明,与其他域适应方法相比,所提方法具有更好的泛化性能.

基于脉冲卷积神经网络的带钢表面缺陷识别

针对目前热轧带钢表面缺陷识别存在训练样本量小、识别效率低等问题,提出了一种基于脉冲卷积神经网络的带钢表面缺陷识别分类方法。为提高模型泛化性,首先利用扩散模型(Diffusion Model)对不平衡小样本数据集进行数据增强扩充,然后搭建脉冲卷积神经网络,并通过引入代理梯度方法进行网络监督训练,同时加入注意力模块来提高特征提取效率。实验结果表明:本文提出的脉冲卷积神经网络模型在保证识别率的基础上具有较强的生物合理性,为深度脉冲卷积神经网络在实际工程的应用提供借鉴。

带钢表面缺陷检测系统的发展

综述带钢表面缺陷检测系统的发展历史，主要是激光检测系统和ＣＣＤ检测系统的发展趋势及国内状况。

基于机器学习的带钢表面缺陷分类方法研究

对基于BP神经网络和支持向量机的带钢表面缺陷类别识别方法进行了研究,基于检测出缺陷的目标图像,根据不同缺陷的灰度均值设定两种阈值,进行二值化处理;结合目标图像和二值化图像提取几何特征、形状特征以及灰度特征。在基于BP神经网络训练分类器时,采用三层神经网络模型,通过多次实验确定隐含层神经元数;在基于支持向量机训练分类器时,采用高斯径向基函数作为核函数,通过交叉验证确定相关参数,采用"一对一"的策略实现多分类。实验结果表明,支持向量机模型分类准确率更高,BP神经网络平均识别时间优于支持向量机。

基于BP神经网络的带钢表面缺陷的识别与分类

运用神经网络处理非线性问题的优势,将其应用于带钢表面缺陷的识别与分类研究。本文采用灰度共生矩阵的特征提取,提出了基于BP神经网络进行缺陷识别与分类的方法,编制了带钢表面缺陷的识别与分类软件。分类测试表明,该软件有较好的识别与分类效果。

基于P-ReliefF特征选择方法的带钢表面缺陷识别

带钢表面缺陷纹理的复杂性和多样性、背景纹理中存在的伪缺陷等给现有的带钢表面缺陷特征提取和识别带来了极大的困难。为此,提出了一种新的带钢表面缺陷选择与识别方法。首先,通过各向异性扩散算法对带钢表面的伪缺陷干扰进行抑制;其次,利用提出的P-Relief F方法对表面缺陷特征进行选择,相比传统的Relief F方法,该方法考虑了不同维度特征之间的关联性;最后,利用筛选的特征集和支持向量机(SVM)核分类器对带钢表面缺陷进行分类与识别。实验结果表明,提出的方法能够提取出具有高区分性和鲁棒性的带钢表面缺陷特征,并且对于划痕、褶皱、凸起和污渍等不同类型的带钢表面缺陷,本方法相比传统的方法可以获得更高的识别率。

基于监督双限制连接Isomap算法的带钢表面缺陷图像分类方法

根据带钢表面缺陷图像具有复杂纹理结构、包含大量干扰信息、具备高维非线性几何结构等特点,本文提出基于监督双限制连接Isomap方法的带钢表面缺陷图像降维方法 (dls-Isomap).该方法以Isomap降维方法为基础,对其邻域图的连接方式进行K邻域(K-nearest neighbor,KNN)和ε-半径两个方面的限制性连接,并使用数据类别作为监督对类间邻域点进行扩展连接.针对多类Roll-swiss数据实验表明,dls-Isomap降维方法不仅能够在低维空间中完整嵌入所有数据点,而且能保持数据各类内和类间的几何结构,以及解决Isomap算法存在的"短路边"问题;针对带钢表面缺陷图像分类实验表明,基于dls-Isomap的新分类方法适合含水、油渍等干扰较多的带钢表面缺陷的分类任务,其中冷轧带钢5类缺陷识别率可以达78%.含水渍的热轧带钢缺陷识别率可以达到93%,其中水渍干扰图像的识别率达到97.6%.

一种基于Sobel算子的带钢表面缺陷图像边缘检测算法

基于机器视觉的带钢表面缺陷检测是带钢轧制过程中重要的质量检测方法,为了提高带钢表面缺陷检测的效率和准确率,提出了一种新的带钢表面缺陷图像边缘检测算法。该算法首先用双边滤波去除图像噪声,达到保边去噪的目的,然后用改进的四方向Sobel算子检测缺陷图像边缘,并用自适应动态阈值选取最佳阈值进行二值化处理,最后将二值化图像进行基于Hilditch算法的边缘细化处理,得到最终检测图像。在MATLAB平台上对算法进行仿真,并将得到的实验结果与传统Sobel算子进行比较。实验结果表明,所提算法平均分割正确率达到93.5%,与传统Sobel算子边缘检测方法相比,所提算法能得到更好的边缘检测效果。

一种基于局部二进制模式的带钢表面缺陷初级检测方法

带钢表面缺陷检测是带钢质量控制的重要环节之一,但现有带钢表面缺陷自动检测方法在准确性和实时性上还难以满足工业现场需要。为了解决此问题,提出了一种基于局部二进制模式(LBP)的带钢表面缺陷的初级检测方法。该方法首先利用快速局部二进制模式算法计算图像中各像素点的LBP值;然后通过统计LBP直方图来获取图像中主要边缘点的信息,再将其与阈值进行比较,以确定带钢图像中表面缺陷的存在,并记录缺陷的位置。实验结果表明,该方法不仅在带钢表面缺陷的初级检测方面具有良好的准确性和实时性,而且其提取出的信息还具有结构的和统计的双重特性,可为后续缺陷分类提供重要依据。

带钢表面缺陷图像的小波阈值降噪研究

以典型带钢表面缺陷图像为例,采用小波阈值降噪方法研究带钢表面缺陷图像的小波阈值降噪规律,并论述了带钢表面缺陷图像阈值的选择和小波基的选取。结果表明,图像经过小波变换后具有低熵性、多分辨率和选基灵活性等特点,使得小波阈值降噪提高了图像的信噪比、改善图像的质量,并且增强图像的清晰度。

基于小波和灰度共生矩阵的带钢表面缺陷识别

提出了一种基于小波变换和灰度共生矩阵的带钢表面缺陷识别方法。采用小波变换分解缺陷图像并提取其低频子带信息。通过在低频子带上构造0°、45°、90°和135°四个方向的灰度共生矩阵,分别计算角二阶矩、熵、对比度和逆差矩4个特征值,共获得16个特征值,并将其输入支持向量机,完成对6类共1800张带钢表面缺陷图像的识别,总体识别精度大于96%。实验结果表明,小波变换与灰度共生矩阵结合能有效描述带钢表面缺陷纹理特征,具有较好的识别效果。

一种带钢表面缺陷识别与分类的研究——基于混合加权特征和RBF网络的方法

为了为高速生产线上的带钢表面缺陷的实时检测提供有利的条件,对已有的19维特征向量通过顺序后退法选择了混合加权的9维特征向量,选用RBF神经网络作为分类器,通过对现场采集的带钢表面缺陷图片进行训练与识别,确定了RBF网络的扩展速度的最佳值0.4,网络的训练速度较快,缺陷的平均识别率为93.85%。结果表明:提取混合加权向量与选择RBF神经网络的分类器,能够使网络的结构大大减少,同时具有识别速度和识别率上的优势,能够为带钢表面缺陷的在线实时检测提供软件方面的智能技术。

自适应优化Gabor滤波器的带钢表面缺陷分类

带钢表面缺陷纹理存在复杂性、多样性,导致对带钢表面纹理缺陷进行分类十分困难,为此,提出一种基于鲸鱼群算法的自适应优化Gabor滤波器。首先,利用各项异性扩散滤波抑制缺陷图片之中的伪边缘,再以不同种类缺陷特征的类间差最大作为目标函数,Gabor滤波器的参数为优化变量,采用鲸鱼群算法对Gabor参数进行寻优;然后,将所得到的Gabor特征进行融合;最后,导入分类器之中进行分类。实验结果表明,该方法具有较好的区分性和鲁棒性,针对常见的带钢表面缺陷,如冲孔、污渍、刮边、黑氧化条、结疤等最终的分类精度能达到97.5%。