融合Transformer的带钢缺陷实时检测算法

在带钢的生产过程中通常会产生影响产品质量的表面缺陷。针对带钢表面缺陷检测效率低以及小目标缺陷检测精度差的问题,提出一种融合Transformer的带钢缺陷实时检测算法TRSD-YOLO(Transformer real-time strip steel defects detection-YOLO)。设计一种结合Transformer自注意力机制的特征提取模块BottleNeckCSPTR,通过自注意力的增强来提升模块对小目标缺陷信息的获取能力;运用BottleNeckCSPTR模块构建新的主干特征提取网络CSPDarknetTR,并将动态激活函数Meta-ACON与主干网络相融合,进一步强化网络对缺陷特征的表示能力;提出一种轻量级双向加权特征金字塔结构BiFPN-Light作为融合多尺度特征的方式,提高网络对小尺寸缺陷的检测精度。实验结果表明,提出的算法在NEU-DET数据集上mAP达到了82.2%,较原有的YOLOv4算法提高了5.3个百分点;同时检测速度达到31.3 FPS,可匹配工业场景的需求。

带钢缺陷图像的自动阈值分割研究

文章根据带钢缺陷图像的特点,提出了基于灰度统计特性的图像边缘检测方法,结合纹理检测、聚类分析,实现了对带钢缺陷图像的自动阈值分割。实验结果表明,该方法具有在精度和速度方面的优势,适合对带钢表面图像的缺陷进行实时检测。

Mean shift算法在带钢缺陷图像分割中的应用

带钢自动表面检测系统中缺陷图像的分割效果对缺陷识别具有重要影响.为了提高缺陷图像的分割效果,提出了采用Mean shift算法对带钢缺陷图像中的感兴趣区域进行平滑从而获取缺陷边缘的方法,并将该算法与中值滤波算法进行了比较.测试结果表明,Mean shift算法能够有效地对缺陷图像中的感兴趣区域进行平滑,并精确得到缺陷目标的边缘,该算法在带钢的缺陷分割中具有较好的性能.

带钢缺陷检测系统中的噪声滤除方法研究

噪声去除是带钢缺陷自动检测系统的一个重要环节,传统的滤波方法在去噪的同时会造成边缘的模糊,影响检测及质量评价结果。为解决上述问题,文章提出一种基于邻域信息的非迭代、非线性倒数加权滤波方法-双倒数波方法,该方法同时结合邻域内像素的几何位置信息与灰度信息进行滤波,采用邻域内各像素与中心点之间的几何距离差倒数与灰度相似性倒数的乘积做为最终的权值。文中分别采用高斯滤波、各向异性扩散滤波及双倒数滤波三种方法对带钢表面缺陷进行处理,实验结果表明:双倒数滤波去噪和边缘保持效果明显优于其它两种滤波方法,可满足带钢缺陷检测系统在图像噪声去除同时保留重要的边缘细节信息的要求。

基于小波分解的带钢缺陷检测

带钢缺陷是带钢质量检验的重要组成部分,通过相关的理论分析,本文提出了一种基于小波分解的带钢缺陷检测方法。首先对带钢图像进行小波分解;然后,选择子图进行融合,从而有效地抑制了背景纹理信息;在此基础上,对带钢的融合图像进行图像分割和形态学滤波,实现对带钢缺陷的位置和面积的准确检测。实验结果表明,该检测方法是有效的。

带钢缺陷定位与多处理器同步控制系统

介绍冷轧带钢生产线上带钢缺陷定位与多处理器同步信号的产生方法,并对测量精度的提高和误差校正提出了较好的改进方案.

基于形态学增强和图像融合的板带钢缺陷检测

为了检测噪声和光照不均并存的多种类型的板带钢表面缺陷,提出了基于数学形态学增强和图像融合的缺陷检测算法。本文首先分别对图像作多结构形态学熵图像增强和多结构形态学边缘增强,其次对增强后的图像采用加权融合,并通过图像背景熵和增强图像的像素均值比确定权系数,最后对融合图像进行二值化处理以便于后续的缺陷识别及分类。实验表明,本文算法不仅能准确检测出含有光照不均和大量噪声的板带钢图像中的表面缺陷,而且对于其他类型的板带钢缺陷图像也能获得较好的效果。除此之外,该算法具有较强的抗噪性和较高的稳定性。

基于改进多尺度形态学的带钢缺陷图像边缘检测

针对目前板带钢表面缺陷在线检测过程中无法准确地检测出所有缺陷边缘问题,根据带钢缺陷的特点,分析了结构元素的选取,提出了一种将多尺度形态学和多结构元素有机结合的边缘检测方法。该方法首先进行多尺度形态学滤波降噪,分别求取0°结构元素、45°结构元素、90°结构元素和135°结构元素带钢缺陷图像边缘;其次通过一定的运算组合,提取多结构边缘;最后对得到的带钢缺陷图像的边缘作二值化处理,再细化边缘得到缺陷图像边缘的最终结果。实验结果表明,该方法较好地解决了边缘检测精度与抗噪性能之间的协调问题,实现了在多个尺度上提取板带钢表面缺陷的边缘。同时能够较好地保留图像中缺陷的边缘细节信息,为带钢表面缺陷在线检测系统中自动分割、缺陷识别等后续处理奠定了基础。

基于改进同态滤波的带钢缺陷亮度不均匀校正算法

在带钢表面缺陷自动化检测过程中,由于摄像机本身以及摄像环境的影响,会导致获取的图像出现不均匀的亮度,这对后续的缺陷图像分割和识别有较大的影响。基于此,提出了一种基于改进同态滤波的亮度不均匀校正方法,结合带钢表面缺陷特点对滤波器的截止频率进行重新选择,针对带钢图像的高低频分量采用不同的滤波函数分别进行处理,再用处理后的高低频分量重构得到亮度校正后的图像。实验结果表明,本文改进同态滤波亮度校正后的图像质量更高,用亮度校正后的图像质量参数Q值对其进行评价,该方法的平均Q值达到0.9014,相比其他方法的参数值更高。

基于混合染色体的带钢缺陷图像分类方法研究

为了保证带钢缺陷分类的实时性和准确性,提出了一种基于混合染色体的带钢缺陷图像分类方法。该方法不仅优化了支持向量机SVM中核函数参数、惩罚因子,并且对核函数、输入的特征向量进行了选择。除此之外,该方法融合了遗传算法和SVM,用遗传算法优化影响SVM的核函数参数、惩罚因子、输入特征和核函数;同时,用SVM建立的分类模型的分类准确率限制遗传算法的进化方向,彼此制约和促进,最终确定最优分类模型。实验结果表明,基于混合染色体的带钢缺陷图像分类方法建立的分类模型能实时、准确地对带钢缺陷图像进行分类。

图像处理技术在带钢缺陷检测中的应用

基于研究带钢表面缺陷图像的技术成果,通过对原有系统结构和检测过程的分析,找出影响本系统监测的原因,并提出基于OpenCV数字图像处理技术的图像处理方案,提出角点检测来判定用分类器判定缺陷图像是否有水和分类存储的方法,对有水的缺陷图像进行及时处理,提高系统的利用率和可靠性。

小波包-BP神经网络结合的热轧带钢缺陷识别

基于热轧带钢的表面往往存在着很多缺陷,目前的识别方法存在着误识率高的问题,提出一种基于小波包分解的提取图像特征的方法,将提取的图像的能量特征向量输入BP神经网络分类器,对麻点、夹杂和结疤3种缺陷进行识别,仿真结果表明这种方法有着较高的识别率,并具有稳健的抗噪性和良好的扩展性。

基于改进Faster-RCNN算法的带钢缺陷检测

针对目前带钢表面缺陷检测方法无法适应缺陷形状不规则、尺度不一、背景复杂等问题,提出了一种基于Faster-RCNN的改进网络,在主干网络中采用可变形卷积模块,FPN多尺度检测模块及在RPN网络中融合CBAM注意力模块。实验结果表明,改进后的网络可有效地提高带钢表面缺陷检测的精度。

基于多尺度特征图的带钢缺陷检测方法

带钢表面缺陷识别对于带钢产线的品质控制非常关键。带钢缺陷检测作为一种多分类工作,需要检测系统能够高效、快速、准确地完成检测任务。传统方法不能准确地提取出带钢的缺陷特征,进而利用这些特征完成分类工作。本文提出一种残差神经网络,提取带钢缺陷的多尺度特征图。检测系统利用这些多尺度特征可以有效对带钢缺陷进行分类。本文在一个冷轧带钢缺陷数据集上进行了效果验证。对于数据集上存在的六种缺陷检测精度达到90%以上。实验结果证明该方法可以被进一步开发应用在带钢产线检测系统上。

面向热轧带钢表面缺陷检测的YOLOv5算法优化分析

单阶段目标检测网络YOLOv5在处理热轧带钢表面缺陷的特征提取与感受特征融合时存在一定不足。文章提出一种适用于热轧带钢表面缺陷检测的优化YOLOv5算法,该算法通过IOUK-means++算法调整Anchor聚类锚框设定,并增加Dynamic Head目标检测头,引入通道注意力机制(C3_CA),同时结合Hard Swish激活函数与WIoU_Loss边界框回归函数,有效提高热轧带钢表面缺陷检测的综合精度。由NEU-DET数据集测试结果表明,相较于单阶段YOLOv5算法融合结果,优化后的YOLOv5网络模型的均值平均精度(mAP)可提高至75.7%,且网络约束率可有效提升6.1%。上述优化YOLOv5算法对热轧带钢表面缺陷位置勘定、分类指向与影响评估具有有益参考,同时也为金属表面的高精度筛检提供重要支持。

基于YOLOv8-NFMC的带钢表面缺陷检测算法

针对YOLOv8算法在应用于带钢表面缺陷检测时存在漏检和错检等问题,提出了一种改进YOLOv8算法。针对数据集中的小目标的标签,在原损失CIOU的基础上面加入标准化高斯瓦瑟斯坦距离(normalized Gaussian Wasserstein distance,NWD),提升模型对小目标缺陷的检测能力;采用聚焦调制(focal modulation)替换YOLOv8模型的空间池化金字塔(spatial pyramid pooling-fast,SPPF),在轻量化的同时,提高多尺度特征的表达能力;采用移动翻转瓶颈卷积(mobile inverted bottleneck conv,MBConv)替换C2f中的Conv构建新模块C2f-MB,同时使用C2f-MB替换原有的C2f模块,增强特征表达能力和多尺度特征融合能力;在主干部分加入卷积块注意力机制(convolutional block attention module,CBAM)来抑制背景干扰,能更好捕获全局信息,提升了主干部分的特征提取能力。实验结果表明,改进后的YOLOv8算法在计算量下降的同时,mAP@0.5提高了3%,对漏检和错检等问题有明显改善。

YOLOv8-VSC:一种轻量级的带钢表面缺陷检测算法

目前在带钢表面缺陷检测领域,通用的目标检测算法复杂度高、计算量庞大,而一些中小型企业负责检测的终端设备通常不具备较强的计算能力,计算资源有限,从而导致检测算法部署困难。为解决该问题,基于YOLOv8n目标检测框架,提出一种轻量级的带钢表面缺陷检测模型YOLOv8-VSC。该模型使用轻量级的VanillaNet网络作为骨干特征提取网络,通过减少不必要的分支结构降低模型的复杂度。同时,引入SPD模块在减少网络层数的同时加快模型的推理速度。为了进一步提升检测精度,在特征融合网络中,使用轻量级的上采样算子CARAFE,提高融合特征的质量和丰富度。最后,在NEU-DET数据集上进行大量实验,得到模型的参数量与计算量为1.96×106和6.0 GFLOPs,仅为基线的65.1%和74.1%,mAP达到80.8%,较基线提升1.8个百分点。此外,在铝材表面缺陷数据集和VOC2012数据集上的实验结果表明所提算法具有良好的鲁棒性。与先进的目标检测算法相比,所提算法在保证高检测精度的前提下需要的计算资源更少。

基于小波去噪与改进Canny算法的带钢表面缺陷检测

针对带钢表面图像亮度不均匀、对比度低以及缺陷种类多、形式复杂的问题,提出一种基于小波去噪与改进Canny算法的带钢表面缺陷检测算法。首先通过小波变换将原始图像分解,对低频分量采用改进的同态滤波提高亮度和对比度,对高频分量采用改进的阈值函数进行去噪,并通过小波重构得到增强图像。其次对传统Canny算法进行改进,通过改进的自适应加权中值滤波进行平滑,并增加梯度方向模板;然后采用迭代式最优阈值选择法与最大类间方差法来求取高低阈值,提高算法的自适应性。最后采用形态学处理对缺陷边缘填充,并去除干扰边缘及毛刺,得到带钢表面缺陷区域。实验结果表明,所提算法对带钢表面缺陷的检测效果较好、精度较高,适用于多种类型的带钢表面缺陷检测。

基于LIR和GFNet的带钢表面缺陷识别

针对深度学习(deep learning,DL)模型处理带钢表面缺陷图像存在计算成本大、实时性差的问题,提出了一种基于可学习的图像调整器(learnable image resizer,LIR)和扫视-聚焦网络(glance and focus network,GFNet)的带钢表面缺陷分类方法。首先,针对DL模型在处理带钢表面缺陷图像时存在空间冗余的问题,提出GFNet驱动的带钢表面缺陷识别模型,其可以根据不同样本自适应分配计算资源,在模型推理阶段显著减少计算量;其次,提出LIR和GFNet联合训练的方法,调整图像大小的同时实现针对识别模型的特征增强;最后,收集整理了某钢铁企业冷轧薄板厂带钢表面缺陷数据集,利用所提方法进行分析。将残差网络(residual networks,ResNet)的ResNet-50模型作为主干网络,与原始ResNet-50比较,所提方法在不牺牲准确率的情况下,将单张图像的推断时间减少约3.58倍,计算量降低约6.11倍,从而验证了提出方法的有效性。

基于元学习的带钢表面缺陷小样本语义分割

由于缺少带钢表面缺陷样本,使得深度神经网络在带钢表面缺陷检测的应用受到了限制,为解决这一实际问题,提出了一种基于元学习思想的小样本语义分割深度学习方法.该方法引入了多尺度解码器和注意力机制.多尺度解码器能够聚合不同尺度的缺陷特征信息,提高网络的分割精度.注意力机制能够有效增强缺陷信息表达,并且抑制背景信息的干扰.此外,构建了一个带钢表面缺陷语义分割数据集,该数据集包含9类带钢表面缺陷.在该数据集上进行了相关实验,结果表明本文方法在平均交并比和前景-背景交并比指标上优于PFENet,SCLNet和HSNet等方法.