基于改进YOLOv5-LITE轻量级的配电组件缺陷识别

为对配电组件缺陷进行精确快速的定位和识别,提出一种基于改进YOLOv5-LITE轻量级的配电组件缺陷识别方法。为使模型便于部署至移动设备终端,该方法使用ShuffleNetV2作为骨干网提取特征构建YOLOv5-LITE轻量级神经网络模型,并摘除ShuffleNetV2的1024卷积和5×5池化,采用全局平均池化操作替代,降低网络参数量,提升模型检测速度;通过引入有利于细粒度目标检测的152×152特征层,实现了对大、中、小尺度的缺陷检测;在PANet架构中采用深度可分离卷积代替下采样使得网络更加轻量化。实验结果表明:该方法能够识别电缆脱离垫片、电缆与绝缘子脱落、无环绝缘子3种缺陷,其检测精度分别达到92%、95%、95%,网络参数量约为YOLOv5的1/4,检测速度达到2 ms/张。所提出的方法具有实时性、准确率高、轻量化等特点。

基于空洞分层注意力胶囊网络的X射线焊缝缺陷识别方法

由于X射线焊缝图像的复杂多样性,使得很多传统基于X射线焊缝缺陷检测方法的准确性不高,泛化能力较差。提出一种基于空洞分层注意力胶囊网络(DHACNet)的X射线焊缝缺陷识别方法。DHACNet由卷积模块、空洞分层注意力和胶囊网络(CapsNet)组成。卷积模块用来提取图像的卷积特征,空洞分层注意力用来提取多尺度显著性特征,CapsNet利用胶囊层和动态路由算法替代卷积神经网络(CNN)中的池化操作和全连接操作。DHACNet具有强大多尺度特征提取能力,能够克服CNN只关注图像局部特征和池化操作导致图像部分信息丢失等不足。在构建的X射线焊缝缺陷图像集上进行识别试验,识别准确率为96%以上,与传统方法进行比较,结果表明,该方法有效可行,能够为X射线焊缝缺陷识别系统提供技术支持。

基于MFDC-SSD网络的接触网定位线夹缺陷识别

针对接触网应用环境复杂,定位线夹体积小、安装方向特殊、不易识别,传统的目标检测算法效果较差等问题,基于多尺度特征融合密集连接网络模型,提出了一种接触网定位线夹缺陷检测新方法。首先结合DenseNet与Inception模块对SSD模型的特征提取网络进行改进,在特定的特征层间共享上下文信息,提升特征提取能力。然后从网络深层到浅层,逐级采用FPN融合SSD检测的多尺度特征图,设计多特征融合的密集连接网络模型,最后将f GIoU作为边框损失函数,在训练中优化真实框和预测框的重合度。对采集的某段接触网定位线夹图像数据集进行检测识别。结果表明:该定位线夹缺陷检测方法可在复杂接触网背景下,对定位线夹脱落和松动进行检测,且在不同角度、亮度的图像中均具有较强的鲁棒性。

轻量化M-CNN的太阳电池表面缺陷识别

针对太阳电池EL图像,提出一种高识别率的轻量化M-CNN网络模型。首先,该网络模型将拼接的多特征图融合通道注意力机制;然后,引入Ghost卷积层降低模型参数;最后,利用普通卷积层取代最大池化层进行特征空间降维。实验结果表明:在自建裂痕、阴影、微小瑕疵、无缺陷图像数据库共15767片上,M-CNN对粗糙分类检测准确率和瑕疵分类检测准确率分别是99.83%和93.38%,模型参数量是1.29 MB。相较先进的MobileNetV3、DeepVit和MobileVit等网络,M-CNN有缺陷识别率高和模型参数量低的优势。

基于改进YOLOv5s的滚动轴承表面缺陷识别算法

为了解决机械设备轴承表面缺陷检测中多目标情形下的小目标漏检率高、检测速度慢、模型精度和特征提取泛化能力不足的问题,提出一种滚动轴承表面缺陷识别网络模型YOLOv5s-CDOD。在卷积操作前,使用B-ConvNeXt网络平衡模型的精度和复杂度,保留轴承表面小目标缺陷的特征,同时提升模型的泛化能力;通过将YOLOv5s网络中的传统卷积模块替换为具有二次深度过参数化卷积的卷积(DOD-Conv)模块,在不增加模型参数的情况下,提高模型的识别精度和速度;最后,在特征处理阶段,使用VariFocal Loss损失函数,增加模型对正样本目标的学习,对轴承小目标缺陷的检测精度进一步提升。实验结果表明:与原YOLOv5s网络相比,优化后的网络参数量减少了10%,使得模型的检测速度明显提升;同时,所提模型的平均检测精度达到了94%,对轴承表面小目标缺陷的识别率也有所提高。

基于多层感知分类器的皮革图像缺陷识别研究

针对传统皮革图像缺陷识别准确率和识别效率不高的问题,提出一种改进多层感知分类器的皮革图像缺陷识别方法。首先,以多层感知分类器作为基础网络模型,对其结构进行优化,并选择适宜的激活函数、分类器和权值与偏置更新方法;然后,搭建一个基于改进多层感知分类器的皮革图像缺陷识别模型;最后,提出一套皮革缺陷图像数据集构建方案,通过滑窗裁剪、样本标注、图像增广等获得4类皮革缺陷图像样本,并将该数据集输入至搭建缺陷识别模型中进行缺陷识别。试验结果表明,本模型对孔洞缺陷、划痕缺陷、针眼缺陷和无缺陷4种故障样本的平均精确率、召回率、准确率和F1值分别为96.97%、96.52%、94.99%和96.14,且本模型进行缺陷识别所用时长仅为3.56 s。相较于经典卷积神经网络VGG16、残差网络ResNet10和支持向量机SVM,本模型对皮革图像不同样本的故障识别准确率更高,识别时间更短。由此说明,本模型能够提升皮革图像缺陷识别准确率和效率,模型性能具备优越性和有效性。

基于融合图像增强与改进YOLOv7算法的桥梁水下结构缺陷识别

该文提出了基于水下机器人的桥梁水下结构缺陷自动识别方法。在浑水环境拍摄获取低质缺陷图像并进行数据增强,扩充数据集;针对浑水下低质图像,通过级联Water-Net水下图像增强算法作为输入端获取高质量图像。针对图像增强与目标检测不匹配所导致的抑制作用,利用极化自注意力(Polarized Self-Attention)模块保持增强图像的高分辨率输出,使图像增强与目标检测有效协同,提高检测精度。在此基础上,考虑低质图像数据标注难免包含低质量示例,使用WIoU损失函数替换原YOLOv7-tiny网络模型中的损失函数,提高模型泛化性能。实验结果表明:改进后的网络模型相比原网络,在保持缺陷识别精度的同时,图片对比度高,细节更加清晰,视觉效果优良,漏检与误判情况得到明显改善。

基于改进VGG13的冲压件表面缺陷识别方法研究

针对现有冲压件制品缺陷检测方法准确率低的问题,分析深度学习的原理与方法,以VGG13网络为基准模型,通过在特征提取层之后增加CBAM模块进行改进,提出5种基于VGG13与CBAM注意力机制模块相结合的网络模型(VGG13-CBAM),将改进后的新模型与改进前原VGG13模型分别在武汉某制造车间采集的冲压件缺陷数据集上进行实验研究。将数据集以6∶2∶2划分为训练集、验证集、测试集,并使用数据增强进一步扩充训练集,增加模型泛化性能,对比数据增强前后效果的提升。实验结果表明:在改进后的VGG13-CBAM03网络与VGG13-CBAM04网络上效果明显提升,测试集正确率由79.65%分别提高到了81.55%和81.40%,在使用数据增强对训练集进行扩充后,测试集正确率分别达到84.25%和84.15%,有效提升了冲压件缺陷检测准确率。

基于Mask-RCNN的金属缺陷识别系统设计

在传统的工业生产中,特别是铸造或焊接的生产过程,对金属件的缺陷识别是非常重要的。传统的人工缺陷识别程序通常耗时且容易出错。然而,通过引入智能化缺陷识别系统,可以提高检测效率,满足生产高质量产品的需求。文中提出了一种基于Mask-RCNN模型的X射线无损检测缺陷识别系统。该系统使用客户-服务器模式,由客户端上传原始图片,服务器调用Mask-RCNN模型将原始图片进行缺陷识别,返回识别缺陷后的图片给客户端,在客户端上通过掩模透明化功能进行缺陷识别结果,并分析比对。该系统以Mask-RCNN模型进行缺陷识别,完成了缺陷识别工作,解决了传统人工缺陷识别程序易出错、耗时多的问题,并提升了铸件或焊接件的缺陷检识别效率和可靠性,解放了执行缺陷识别工作质检人员的生产力。

多尺度卷积神经网络融合Transformer的竹材缺陷识别方法

在竹材缺陷识别的研究中,竹片形状、缺陷部位颜色深浅及裂纹大小差异都是制约模型识别准确率的关键。针对上述问题,提出一种适用于中小数据集的多尺度卷积神经网络融合Transformer的竹材缺陷识别方法,以更好地提高竹材缺陷识别的准确率。该方法在卷积神经网络的主干上进行改进,从获取不同尺度语义信息的角度出发,首先利用卷积神经网络在不同尺度的特征图上捕捉图像局部语义信息,然后将不同尺度的语义特征映射为特征符号,同时引入Sinkhorn分词器对不同阶段的卷积神经网络特征符号化以减少特征冗余,再通过Transformer对特征符号之间的关系进行建模以学习图像全局语义信息。试验结果表明,与VGG16、ResNet50、DenseNet121、ViT这4种深度学习模型相比,基于多尺度卷积神经网络融合Transformer的方法能够更高效地提高竹材缺陷识别模型的性能,在竹材缺陷图像数据集上的平均识别准确率达到了99.13%。该方法识别速度更快、精度更高,且具有良好的鲁棒性,为竹材缺陷的实时自动识别提供了新思路,同时也验证了所提出方法的有效性。

油气管道漏磁数据处理和缺陷识别量化方法的研究进展

漏磁法是最稳定的无损在线检测技术之一,用于评估油气管道的健康状况。从通道基线校正、异常值判别、数据缺口的恢复和滤波四个方面阐述了漏磁数据预处理的方法和步骤;结合漏磁数据缺陷的峰谷值等显性特征,总结了不同特征提取方法下缺陷信号的本质特征;介绍了基于支持向量机、神经网络、图像处理和形态学等方法构建缺陷反演模型。最后,从数据预处理和缺陷识别量化两方面展望了漏磁信号处理未来的研究方向。

基于深度学习的钢板表面缺陷识别方法及系统开发

在热轧钢板的生产过程中,由于工况的多样性,钢板表面难免会形成不同类型的缺陷。针对传统方法对钢板表面缺陷的识别准确率和效率较低的问题,提出了一种结合残差网络和迁移学习的钢板表面缺陷识别方法。首先,构建基于迁移学习的神经网络框架,同时采用全局平均池化和Dropout等优化策略增加网络的泛化能力,提高分类精度。其次,预处理钢板表面缺陷数据集,并通过钢板表面缺陷识别实验对模型性能进行检验。实验结果表明,基于迁移学习的网络模型在测试集上的识别准确率可以达到98.33%。最后,设计并开发了钢板表面缺陷识别系统,采用Power Designer软件构建系统的物理数据模型,并完成系统架构的设计,将训练好的神经网络模型应用到系统中,有效提高了钢板缺陷分类识别的智能化和信息化水平。

基于递归量化分析的CFRP超声检测缺陷识别方法

为了解决碳纤维增强复合材料(CFRP)超声检测缺陷识别不准确、不可靠的问题,提出自适应变分模态分解(AVMD)与递归量化分析技术(RQAT)特征提取和卷积神经网络(CNN)识别方法.实验预埋6种模拟缺陷,使用超声相控阵检测后,每种缺陷取500个A扫描波形信号数据,利用蝠鲼智能优化算法优化出变分模态分解(VMD)所需的K、Alpha,使用优化参数的VMD得到本征模态函数(IMF)分量,筛选高频噪声部分,对剩余IMF分量使用递归量化分析技术.每个信号得到72个特征值,将特征值组成特征向量,输入CNN进行识别,训练集识别正确率为99.94%,验证集识别正确率为98.09%,测试集识别正确率为98.27%.结果表明,AVMD与RQAT、CNN的结合解决了CFRP超声检测中缺陷的识别分类问题.

考虑衰减补偿的频域反射单元平均恒虚警率电缆缺陷识别方法

针对目前频域反射(FDR)法通过人为主观经验判断缺陷,存在误判率高的问题,提出了一种基于单元平均恒虚警率(CA-CFAR)的电缆缺陷识别方法。首先对FDR测试信号在电缆中存在传播衰减,导致缺陷及末端在定位谱中归一化幅值过小而测不准的问题,先使用实测数据求出衰减因子与测试频率的线性关系,再使用在频域解卷的衰减补偿方法,有效削弱了信号在电缆传播过程中衰减过大带来的负面影响;其次通过恒虚警率(CFAR)的动态阈值来提取电缆中缺陷的位置及归一化幅值信息,其中动态阈值根据测试信号幅值的变化动态地选取缺陷判断的阈值,避免了人为主观经验判别容易误判的问题;最后分别在30 m、105 m和500 m实验室电缆以及1500 m在运电缆上对该方法进行测试,测试结果表明采用该方法可以准确地识别电缆全部缺陷,证实了该方法的有效性。

基于YOLOv5_4layers的PCB小目标缺陷识别方法

针对PCB表面缺陷分辨率低、小目标性以及多样性等问题,提出了一种基于YOLOv5_4layers的PCB小目标缺陷识别方法。该方法在YOLOv5架构的基础上,通过新增采样层的方式添加小目标检测层,优化特征金字塔模型,提升小目标特征提取性能,实现小目标缺陷识别。在调整合适的锚框规格后,改进后的模型在输入640像素×640像素图像时,相较原模型识别精确率提升了7.5%。在输入736像素×736像素图像时,识别精确率提升了1.3%,有效地提升了对PCB小目标缺陷的识别能力,对提高PCB制造过程的质量控制和产品可靠性具有实际意义。

填装材料CT图像中脱粘缺陷识别与深度测量

脱粘缺陷是影响填装材料物理安全性能的重要指标,计算机层析成像(CT)是进行脱粘缺陷检测的有效方法。但填装材料脱粘缺陷紧贴外轮廓、面积小,对比度低,分割时易受其他信息干扰,传统活动轮廓模型难以适用。本研究提出了一种基于SoftMax和正则项的Chan-Vese (SRCV)模型用于填装材料脱粘缺陷分割,系统比较了SRCV模型与多种活动轮廓模型对脱粘缺陷分割效果的差异,利用不同图片分割效果揭示了SRCV模型的抗干扰能力和兼顾全局与局部信息的能力,利用分割曲线的欧氏距离实现脱粘深度测量。研究结果表明,SRCV模型对填装材料脱粘缺陷分割更贴近脱粘边缘,分割曲线更光滑,准确度达99.56%,Dice系数为99.82%,脱粘深度误差不超过6%,特别适用于有大量干扰信息的微小脱粘缺陷的分割,较其他活动轮廓模型具有明显的优势。

基于深度学习的宣纸缺陷识别软件设计

作为我国优秀文化遗产书法与国画的主要载体,宣纸需始终保持较高质量,最大程度上避免缺陷以影响外观与使用,这就要求造纸企业必须高度重视宣纸缺陷识别与检测,以机器识别软件替代人工识别检测,并引进合适的识别算法。提出了基于深度学习之卷积神经网络的宣纸缺陷识别算法,且由此进行了宣纸缺陷识别软件设计。结果发现,此软件不仅运行速度快,识别率高,而且识别分类准确率可达98.93%,可完全贡献于宣纸质量提高,值得广泛推广与应用。

领域特征融合Transformer的环焊缝缺陷识别方法

环焊缝缺陷的类型识别对于长输管线管道焊缝质量评价以及管道服役寿命评估具有重要意义。由于不同类型缺陷的射线检测图像具有特征差异小、对比度低等特征,现有缺陷类型识别方法所提取的特征表征能力不足,其准确性及可信性难以满足行业需求。为此,提出了一种缺陷领域特征提取与Transformer融合的焊缝缺陷类型识别方法。基于环焊缝缺陷评定技术人员的知识及缺陷领域特征,从缺陷几何特征、缺陷位置特征以及缺陷背景区域特征3个方面定义了14个特征,用于实现不同类型缺陷的特征表征;以Transformer网络为基础,融合上述14个特征提出深度可调节的缺陷类型识别模型与方法。以企业实际环焊缝缺陷数据对模型进行验证。结果表明,与ResNet50网络相比,所提模型对于未熔合、未焊透缺陷,分类精度分别提高18.2%和14.3%;对于咬边和内凹2种形状缺陷,分类精度达到90%以上。证明所提方法可以有效提高缺陷类型识别准确率,可将其扩展到射线检测铸造缺陷、TOFD检测焊缝缺陷识别领域。

基于深度学习的木板材表面缺陷识别算法研究

我国是木材及木制品的生产、制造和出口大国,木板材表面缺陷会降低木板材的外在品质和内部强度,进而影响木材的加工生产过程。基于自制的木材表面缺陷数据集,在YOLOv5s模型上针对时下主流的几种损失函数进行了综合测试与对比分析。旨在拓展深度学习模型在木材缺陷检测领域的应用,以期为木材表面缺陷自动化检测提供新思路。

基于改进的VGG-16网络结构的焊缝缺陷识别技术研究

焊接技术在多个领域广泛应用,近年来焊缝缺陷的自动检测已成为研究的热点。本文针对铝合金熔焊焊缝的X射线图像,采用VGG-16卷积神经网络作为基础网络,提出了一种SC-VGG的新型网络结构。该结构通过引入多尺度合成卷积层来替代传统的单一卷积层,优化了训练过程中的损失函数,使网络更加聚集于焊缝缺陷类型的精确预测。实验结果表明,SC-VGG网络结构在训练过程中展现出了良好的收敛性。与其他网络相比,SC-VGG网络在提取焊缝缺陷特征方面表现优异,其平均准确率和召回率分别达到了95.86%和98.33%,为焊缝缺陷的自动化分类提供了算法支撑。