基于YOLOv3的轴表面荧光磁粉缺陷检测

在荧光磁粉缺陷检测中,为快速有效地对金属轴上的点状、线型以及摩擦型缺陷进行分类检测,引入了深度学习技术,并与图像处理技术结合设计了一种改进型金属轴表面缺陷检测系统,克服了传统识别方式人工选定处理区域的局限性。利用基于YOLOv3算法的神经网络模型,对CCD相机获取的轴表面图像数据集进行训练和测试,对不同缺陷进行精确目标识别;采用图像处理技术对识别的目标进行缺陷定量分析。实验结果表明:该方法对不同缺陷类型能进行有效识别,在检测精度与检测效率上具有较高的提升。

基于卷积神经网络的车用锻件磁粉视觉检测裂纹分割方法

针对机器视觉磁粉缺陷检测中裂纹图像分割精度低的问题,文章提出一种利用两阶段卷积神经网络的自动智能化裂纹分割方法,第1阶段通过裂纹定位模型将含有磁痕的区域隔离出来,第2阶段通过裂纹分割模型从区域内分离磁痕和背景。在定位模型中引入通道注意力机制和空间注意力机制,屏蔽轮廓和噪声的干扰,增强对裂纹的敏感度。实验结果表明,采用文中提出的两阶段方法,裂纹分割平均精度达到97.8%,交并比达到85.7%,相比于其他方法,裂纹分割精度更高。