融合深度迁移学习和改进ThunderNet的瓷砖表面缺陷检测

瓷砖生产过程中由于环境的复杂性和随机性导致缺陷特性各异,实际中要构建大规模、高质量的瓷砖表面缺陷数据样本非常困难,而小样本条件下的可分特征信息不足对瓷砖表面缺陷检测的精度有较大影响。针对这一问题,探索了一种融合深度迁移学习和改进两阶段ThunderNet网络的瓷砖表面缺陷检测方法。首先,提出了一种基于改进ThunderNet网络的瓷砖表面缺陷检测模型,阐述了模型的结构与功能特点;其次,构造了瓷砖表面缺陷深度特征空间参数迁移决策机制,以有效提升样本特征表征能力;第三,基于可切换空洞卷积(switchable atrous convolution,SAC)优化ShuffleNet骨干网络,增强模型对缺陷形状变化的学习能力;第四,提出了基于多尺度映射和通道注意力(squeeze and excitation,SE)的特征融合算法,实现有限特征层次中瓷砖表面缺陷特征信息多层次差异化表征;最后,给出了融合深度迁移学习和改进ThunderNet网络的瓷砖表面缺陷检测算法。实验数据表明,在相同的瓷砖表面缺陷测试集上,本文方法对于小样本条件下瓷砖表面缺陷检测具有优越的性能,模型平均精度、平均召回率和平均检测速度分别达到87.22%、93.69%、61.6 ms/img,与传统ThunderNet模型相比,平均精度和平均召回率分别提高了9.30%、4.16%,其中,基于SAC最优空洞率组合{1,2},模型精度提高了5.51%,基于SE的最优压缩率24,模型精度提高了6.16%,基于本文迁移机制,模型精度提高了3.86%,同时加速了网络收敛。本文方法相比于传统ThunderNet网络和其他主流检测模型,通过迁移机制知识共享提高小样本对象特征表达能力,通过引入SAC和SE在控制模型规模的前提下实现对象特征的层次化表征,有效提升了模型的实时性和可靠性。

改进YOLOv8的轻量级瓷砖表面缺陷检测

在瓷砖表面缺陷检测方面,在保证一定检测速度的前提下,对于小目标缺陷的检测较为困难,总体检测精度依然较低。提出了一种改进YOLOv8的瓷砖表面缺陷检测方法。第一,对原始的大幅面瓷砖数据集进行数据预处理,通过切片操作得到适合YOLOv8输入尺寸的瓷砖数据,防止瓷砖缺陷在缩放的过程中丢失;第二,考虑到瓷砖表面存在小目标缺陷的占比较大问题,使用SPD-Conv的结构代替传统的下采样方式,能够完整地保留通道维度中的所有信息,从而提高对小目标缺陷的检测能力;第三,对YOLOv8中原有的C2f模块进行改造,加入了Efficient Channel Attention注意力机制,设计了C2f_ECA模块,并在backbone网络中进行替换,使得网络在特征提取的过程中能够更为关注缺陷信息,减少背景信息的干扰;第四,添加了微小目标检测头在第二次下采样后进行检测,提高YOLOv8对微小目标的检测能力。该方法在天池瓷砖瑕疵检测数据集上进行实验验证,改进后的模型分别在mAP50-95、mAP50和mAP75上达到57.7%、86.6%、60.6%,比基础网络YOLOv8s分别提升了9.4、5、14.3个百分点。同时,高于YOLOv8m的精度和远低于YOLOv8m的复杂度,属于轻量级模型,符合工业化的需求。

基于改进领域对抗网络的瓷砖表面缺陷检测

深度神经网络作为主流的表面缺陷检测方法之一,需要大量样本进行模型训练,而随着瓷砖产品多样化,同类型瓷砖缺陷样本有限。本文提出一种基于改进域对抗神经网络(MDANN)的瓷砖表面缺陷检测方法,参考传统的DANN结构,首先,在ImageNet公共数据集上预训练保存网络参数,提高训练速度;然后,在原网络中加入瓶颈层,并利用最大均值差异指标优化领域分布差异,改善了原DANN网络筛选源域的能力,实现小样本瓷砖的缺陷检测。实验结果表明,MDANN对瓷砖表面缺陷的有效检出率达98.77%,相比于原DANN网络提高了3.53%,可快速适用于不同类型的瓷砖检测,泛化性好。

基于Gabor变换与区域生长的瓷砖表面缺陷视觉检测方法研究

针对瓷砖工业生产中表面缺陷检测严重依赖人工的难题和已有视觉检测技术的不足,提出基于Gabor变换与区域生长的瓷砖表面缺陷检测方法。首先采用中值滤波和局部直方图均衡化实现图像去噪和对比度增强,基于Gabor变换函数在变换域进一步对瓷砖表面图像进行处理,较好地消除光照不均和表面反光影响。然后基于自动区域生长算法实现瓷砖表面缺陷区域准确分割。最后采用双向积分投影实现缺陷区域标注。针对瓷砖表面的裂缝、孔洞、麻面、色差缺陷的实验证明所提方法的有效性和可行性。