基于支持向量机的钢板表面缺陷检测

针对钢板缺陷的传统检测方法存在速度慢、工作量大的问题。采用机器视觉的方法,通过采集钢板表面图像信息,由计算机算法处理得到缺陷的特征样本,使用支持向量机提升分类的速度和准确度。试验结果表明,径向基核函数支持向量机方法对钢板表面各种缺陷的准确识别率达到90%及以上,为钢板表面缺陷检测技术提供了很好的支持。

表面质量检测系统中超高速图像数据采集与处理平台的设计与实现

以钢板表面检测图像数据采集与处理的应用为背景,设计了3 GSPS(Giga Samples PerSecond)超高速数据采集与处理平台。采用时钟双边沿采样的方式提高采样率,使得系统最高采样率达到3 GSPS,采用FPGA芯片解决了ADC采样后高速数据的采集与存储的难题。该平台的通用性以及灵活性较强,可在钢板表面检测图像系统中得到广泛的应用。

改进YOLOv5s的钢板表面缺陷检测算法

针对传统方式检测钢板表面缺陷存在检测精度低、检测速度慢的问题,提出一种改进YOLOv5s算法。首先,使用基于交并比(IoU)度量距离的K-means算法对钢铁数据集进行重新聚类,获得多组锚框,通过遗传算法对其进行变异运算,得到与全体标注框更匹配的多组锚框;其次,在Mosaic数据增强上融合MixUp,抑制过拟合,提升模型的泛化能力;然后,对网络结构进行改进,融入注意力模块,进一步提高了网络的特征提取能力;最后,针对难识别样本,在损失函数中融入Focal loss,提高网络的收敛速度与检测精度。实验结果表明,改进后的YOLOv5s算法在测试集上的平均精度均值(mAP)可达78.4%,比原始的YOLOv5s算法提高了3.0个百分点,速度上与原始YOLOv5s基本持平。所提算法在保持高检测速度的基础上,检测性能也优于DDN、Faster R-CNN和YOLOv3。