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。

面向工业场景带钢表面缺陷检测的LF-YOLO

针对工业场景下带钢表面缺陷尺寸大小不一、采集图像模糊导致传统缺陷检测算法在实际应用中精度低的问题,提出一种面向工业场景带钢表面缺陷检测的LF-YOLO算法。模型通过设计一种局部填充上采样模块对输入像素进行上采样,提高模型对模糊图片的识别能力,降低模型对小目标缺陷的漏检率。通过引入专注视觉任务的FReLU激活函数,提高模型定位缺陷的准确率。提出一种轻量级的漏斗注意力机制并与特征提取模块C2f进行结合,增强模型对不同尺寸缺陷的特征提取能力。在开源数据集NEU-DET与GC10-DET上的实验结果表明,改进后的模型平均检测精度比原始YOLOv8算法精度分别高7.0和15.4个百分点,且相较于其他目标缺陷检测模型在平均检测精度方面具有优势,并进一步通过消融实验验证了每个模块的有效性。

改进YOLOv5模型的带钢表面缺陷检测方法

针对带钢表面缺陷检测中的漏检和精度较低问题,提出一种融合swin-transformer和坐标注意力(coordinate attention,CA)模块的改进YOLOv5模型检测方法。在YOLOv5模型的主干网络中引入swin-transformer特征提取模块,使主干网络更聚焦于图像全局特征信息的提取;在特征融合网络输出分支末端嵌入CA模块,进一步增强目标缺陷方向和位置信息的敏感度。研究结果表明:改进模型在NEU-DET数据集上的平均精度值(mAP)达到了77.6%,较原YOLOv5模型提高了3个百分点。改进模型提升了带钢表面缺陷检测精度,具有更好的缺陷检测能力。

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。

改进Mask R-CNN算法的带钢表面缺陷检测

在带钢的生产过程中可能会因为生产工艺的问题导致带钢表面出现缺陷,传统的带钢表面检测方法存在检测速度慢、检测精度低等问题。在计算机深度学习快速发展的今天,为实现带钢表面缺陷快速有效的检测,提出改进的掩码区域卷积神经网络(MaskR-CNN)算法,使用k-meansII聚类算法改进区域建议网络(RPN)锚框生成方法;同时调整MaskR-CNN模型的网络结构,去掉掩码分支,提高了模型的缺陷检测速度。实验在NEU-DET数据集的5种缺陷检测中将原算法的均值平均精度(mAP)从0.8102提升到0.9602,检测速度达到5.9 frame/s。并且能够实现对缺陷目标的检测和实例分割,以便研究人员观测缺陷的大小和形状,从而改进工艺。相比于目前其他深度学习的缺陷检测算法,更能满足带钢的生产检测要求。

基于机器视觉的带钢表面缺陷检测系统中图像处理方法设计研究

为进一步完善带钢生产流程,增强带钢生产效果,有必要针对带钢生产过程中因各种因素而形成的表面缺陷展开检测,以此来对其进行提前干预与调整,作为表面缺陷检测的关键内容,图像处理得到更多的重视,需以机器视觉为基础设计对应的图像处理方法,实现对各项图像的科学分类,得到其正确的缺陷检测结果。文章就基于机器视觉的带钢表面缺陷检测系统中图像处理方法设计进行了论述与分析。

带钢表面缺陷检测仪通讯接口的设计与实现

某镀锌生产线新增带钢表面缺陷检测仪,该设备是目前具有国际领先地位的带钢表面质量检测装置,可为镀锌线表面质量分析与决策提供数据依据。该设备与现有产线控制系统无通讯接口,因此亟待设计与实现该功能。本通讯接口与产线PLC系统和PCS系统均建立通讯,以西门子系统底层通讯Libcom为基础,分别获取产线信号点和钢卷信息,同时,将该设备处理完成的缺陷信息上传至大数据平台,实现数据的存储与共享。程序用C++语言编写,该接口设计通讯稳定,传输速度快,灵活性强,基本满足了该镀锌产线的使用需求。

YOLO-VDCW:一种新的轻量化带钢表面缺陷检测算法

带钢表面的缺陷检测技术对确保带钢产品质量达到标准至关重要。针对目前带钢表面缺陷检测模型存在结构复杂、计算资源利用不足以及检测精度不高等问题,提出一种新的轻量化带钢表面缺陷检测算法YOLO-VDCW。首先,引入VanillaNet模块到YOLOv8中来提高计算资源利用效率,实现模型在主干网络的轻量化;其次,采用C2fDSConv替换C2f模块,以精准传递梯度信息,进一步提升计算资源利用率和性能;此外,在C2fDSConv之后嵌入坐标注意力模块,引入坐标信息以增强目标定位准确率和感知能力;最后,将CIoU损失函数替换为Wise-IoU损失函数,以准确地衡量目标框之间的相似性,提高模型的缺陷检测性能。在NEU-DET数据集上,YOLO-VDCW实现平均检测精度(mAP)达到79.8%,相比YOLOv8n,其平均检测精度提高3.8个百分点,计算量和参数量分别减少34.1%和36.8%,检测速度提升37.9%,模型体积仅有4.9 MB。试验结果表明,YOLO-VDCW相对其他算法,在保证轻量化的同时,可有效提高带钢表面缺陷检测精度和速度。

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.