基于轻量级CNN与主动学习的工件疵病识别方法研究

应用图像识别技术实现工件疵病自动检测可以提高效率,降低人工成本。卷积神经网络(CNN)具有很强的特征提取能力,广泛应用于图像识别等领域。但是,已提出的网络模型普遍存在参数量和计算量巨大,以及海量工件数据集中、人工标注成本高等缺点,很难应用于工件疵病的实时自动识别。本文提出了一种基于轻量级CNN与主动学习的工件疵病识别方法,该方法通过深度可分离卷积和反转残差卷积构建一种轻量级卷积神经网络,并在识别过程中采用主动学习方法不断添加标注样本。实验表明,提出的方法识别精度达到98.3%,并且能节省18.8%的人力标注成本。

基于Canny-Harris角点检测的光学元件表面疵病检测

为提高光学元件表面疵病检测的准确性,提出了一种基于Canny-Harris角点检测的光学元件表面疵病检测方法。该方法首先利用基于迭代式阈值的Canny算子对图像进行边缘检测,得到候选角点;接着,利用基于局部窗口角点密度的可变窗口非极大值抑制方法去除候选角点中的伪角点,以得到检测精度更高的Canny-Harris角点检测算法;然后,利用Canny-Harris角点检测算法进行图像拼接,并利用边界测定法提取出拼接图像中的疵病特征;最后,通过计算疵病的形状因子,实现对疵病的分类。实验结果表明,该方法能够成功实现子孔径图像的精确拼接,并准确地检测出光学元件表面疵病信息。

基于功率-幅值谱的炮膛疵病图像识别

在基于机器视觉的炮膛疵病检测中,针对计算机不能以"目标分割-特征提取-特征分析-判定"的经典思路实现疵病图像识别的难题,采用二次谱分析方法从图像全局性特点中挖掘疵病的信息。定义图像二次谱为"图像功率谱的对数幅值谱",提取其亮线长宽比以及谱图能量均值、能量方差和能量矩4个参量来分析炮膛图像中是否存在疵病。通过实验验证了参量的有效性。

光学元件表面疵病视觉检测与评价方法研究

表面疵病是评估光学元件表面质量的重要标准,主要包括划痕和麻点.为了准确评估光学元件的表面质量,提出了一种基于机器视觉的检测与评价方法.根据暗场散射成像原理,搭建了图像采集系统,并通过数字图像处理技术设计了疵病识别系统.基于质量检测标准编写了数字化评价系统,实现了对光学元件表面疵病的检测.实验结果显示,该检测方法对光学元件表面质量的评价结果与人工评价结果一致,匹配度达到 100%,验证了方法的可靠性,有助于实现光学元件表面质量的数字化评价.

球面光学元件表面疵病视觉检测方法研究

球面光学元件由于其光学结构的影响,采用机器视觉的方法对其表面疵病进行检测时,无法将被测面都成像在一个像平面上并且在成像的过程中丢失了疵病的三维信息,造成了检测的误差。为了解决这些问题,提出了一种机器视觉与三维重构相结合的检测方法。首先,根据球面光学元件的特性设计了图像采集平台,以获得高质量的疵病图像。然后,通过图像处理算法对疵病图像进行预处理与疵病识别。最后,基于计算机视觉图像重构技术与球心投影技术,对疵病图像进行三维重构。实验表明,该方法提升了机器视觉对球面光学元件表面疵病检测的精度,可达99%,具有可行性和研究价值。

基于稀疏矩阵的光学元件表面疵病检测

提出了一种基于稀疏矩阵的表面疵病快速拼接方法。该方法采用环形白光光源均匀地照射到被测元件表面,光经显微散射暗场成像系统后形成暗背景下的亮疵病图像。通过对光学元件的x,y方向进行扫描,得到子孔径拼接图像。基于稀疏矩阵和图像拼接,对子孔径图像进行快速拼接,得到全孔径疵病图像。基于最小外接矩形原理,对图像疵病进行识别和分类,最终得到7个光学元件表面疵病划痕,其最大长、宽分别为15.2110 mm和0.0297 mm;麻点有5个,其最大长、宽分别为0.1089 mm和0.0967 mm。将测量得到的划痕宽度与标准划痕宽度进行对比,得到划痕宽度的相对误差范围为-5.00%～5.50%。在此基础上,对实际的光学表面进行检测,得到光学元件表面疵病信息。