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。

面向工业场景带钢表面缺陷检测的LF-YOLO

针对工业场景下带钢表面缺陷尺寸大小不一、采集图像模糊导致传统缺陷检测算法在实际应用中精度低的问题,提出一种面向工业场景带钢表面缺陷检测的LF-YOLO算法。模型通过设计一种局部填充上采样模块对输入像素进行上采样,提高模型对模糊图片的识别能力,降低模型对小目标缺陷的漏检率。通过引入专注视觉任务的FReLU激活函数,提高模型定位缺陷的准确率。提出一种轻量级的漏斗注意力机制并与特征提取模块C2f进行结合,增强模型对不同尺寸缺陷的特征提取能力。在开源数据集NEU-DET与GC10-DET上的实验结果表明,改进后的模型平均检测精度比原始YOLOv8算法精度分别高7.0和15.4个百分点,且相较于其他目标缺陷检测模型在平均检测精度方面具有优势,并进一步通过消融实验验证了每个模块的有效性。

基于改进YOLOv8n的钢表面缺陷检测模型

针对钢表面缺陷尺寸微小且与背景重合度高而导致的传统缺陷检测算法存在漏检和错检的问题,本文提出了一种基于YOLOv8n改进的钢表面缺陷检测算法。首先,使用全维动态卷积ODConv构建C2f-ODConv模块,在多维度提取钢表面的缺陷特征,增强网络全域特征提取的能力,同时引入基于NWD(Normalized Wasserstein Distance)度量方式的损失函数,提高网络对钢表面缺陷的定位准确度;其次,通过减少网络头部卷积次数,提出新的检测头Light-Detect减少模型的资源占有率,提高模型检测的实时性;最后,在SPPF后加入CBAM注意力机制从而在不同图层上提高特征之间的耦合性。实验结果表明,文中所提算法YOLOv8n-Eff在钢表面缺陷数据集NEU-DET上的mAP(mean Average Precision)值达到78.6%,与YOLOv8n算法相比较,mAP提高了3.2%,计算量减少了2.4 G,并且裂纹目标缺陷的AP值提升了10.8%。结果验证了YOLOv8n-Eff算法可以提升钢表面目标缺陷的平均检测精度,降低漏检率并减少模型计算量,有效满足钢表面缺陷检测的需求。

改进YOLOv5模型的带钢表面缺陷检测方法

针对带钢表面缺陷检测中的漏检和精度较低问题,提出一种融合swin-transformer和坐标注意力(coordinate attention,CA)模块的改进YOLOv5模型检测方法。在YOLOv5模型的主干网络中引入swin-transformer特征提取模块,使主干网络更聚焦于图像全局特征信息的提取;在特征融合网络输出分支末端嵌入CA模块,进一步增强目标缺陷方向和位置信息的敏感度。研究结果表明:改进模型在NEU-DET数据集上的平均精度值(mAP)达到了77.6%,较原YOLOv5模型提高了3个百分点。改进模型提升了带钢表面缺陷检测精度,具有更好的缺陷检测能力。

基于正则化YOLO的钢表面缺陷检测方法

钢铁表面常常显示出错综复杂的纹理模式,这些模式与缺陷相似,给准确识别实际缺陷带来挑战。该研究在基线模型YOLOv8s的基础上提出一种基于正则化YOLO框架的钢表面缺陷检测方法。首先,在C2F框架中嵌入了坐标注意力(CA),利用轻量级注意力模块增强骨干网络的特征提取能力。其次,颈部设计采用可变形卷积(DCN)来加权融合多尺度特征图,增强特征融合能力。最后,对模型的损失函数进行正则化,提高模型的泛化性能。模型在NEU-DET数据集上达到77.94%的mAP0.5。相比基线模型提升2.39%。事实证明该方法更适用于工业检测。

面向复杂环境中带钢表面缺陷检测的轻量级DCN-YOLO

基于深度学习的智能检测技术逐渐在复杂钢铁生产环境带钢表面缺陷检测过程中使用。为了应对在资源受限的边缘设备中部署高精度模型的挑战,提出一个面向复杂环境中带钢表面缺陷检测的轻量级DCN-YOLO模型,该模型将可形变卷积网络DCN与原始YOLOv5结合,以提高模型对不同尺寸和形状缺陷的灵敏度。为降低计算复杂度,在YOLO模型中引入了深度可分离卷积DSConv和高效通道注意力机制ECA两个轻量级模块,使模型更好地理解输入数据中各个通道之间的关系,在提高模型的检测精度和泛化能力的同时,大幅降低模型的计算量。进一步通过消融实验及横向对比实验,验证了每个创新模块的有效性。通过经典的开源带钢数据集NEU-DET和实际工业带钢数据集分别验证了轻量级DCN-YOLO模型在表面缺陷检测精度和计算复杂度方面的优势。

改进Mask R-CNN算法的带钢表面缺陷检测

在带钢的生产过程中可能会因为生产工艺的问题导致带钢表面出现缺陷,传统的带钢表面检测方法存在检测速度慢、检测精度低等问题。在计算机深度学习快速发展的今天,为实现带钢表面缺陷快速有效的检测,提出改进的掩码区域卷积神经网络(MaskR-CNN)算法,使用k-meansII聚类算法改进区域建议网络(RPN)锚框生成方法;同时调整MaskR-CNN模型的网络结构,去掉掩码分支,提高了模型的缺陷检测速度。实验在NEU-DET数据集的5种缺陷检测中将原算法的均值平均精度(mAP)从0.8102提升到0.9602,检测速度达到5.9 frame/s。并且能够实现对缺陷目标的检测和实例分割,以便研究人员观测缺陷的大小和形状,从而改进工艺。相比于目前其他深度学习的缺陷检测算法,更能满足带钢的生产检测要求。

基于机器视觉的带钢表面缺陷检测系统中图像处理方法设计研究

为进一步完善带钢生产流程,增强带钢生产效果,有必要针对带钢生产过程中因各种因素而形成的表面缺陷展开检测,以此来对其进行提前干预与调整,作为表面缺陷检测的关键内容,图像处理得到更多的重视,需以机器视觉为基础设计对应的图像处理方法,实现对各项图像的科学分类,得到其正确的缺陷检测结果。文章就基于机器视觉的带钢表面缺陷检测系统中图像处理方法设计进行了论述与分析。

带钢表面缺陷检测仪通讯接口的设计与实现

某镀锌生产线新增带钢表面缺陷检测仪,该设备是目前具有国际领先地位的带钢表面质量检测装置,可为镀锌线表面质量分析与决策提供数据依据。该设备与现有产线控制系统无通讯接口,因此亟待设计与实现该功能。本通讯接口与产线PLC系统和PCS系统均建立通讯,以西门子系统底层通讯Libcom为基础,分别获取产线信号点和钢卷信息,同时,将该设备处理完成的缺陷信息上传至大数据平台,实现数据的存储与共享。程序用C++语言编写,该接口设计通讯稳定,传输速度快,灵活性强,基本满足了该镀锌产线的使用需求。

YOLO-VDCW:一种新的轻量化带钢表面缺陷检测算法

带钢表面的缺陷检测技术对确保带钢产品质量达到标准至关重要。针对目前带钢表面缺陷检测模型存在结构复杂、计算资源利用不足以及检测精度不高等问题,提出一种新的轻量化带钢表面缺陷检测算法YOLO-VDCW。首先,引入VanillaNet模块到YOLOv8中来提高计算资源利用效率,实现模型在主干网络的轻量化;其次,采用C2fDSConv替换C2f模块,以精准传递梯度信息,进一步提升计算资源利用率和性能;此外,在C2fDSConv之后嵌入坐标注意力模块,引入坐标信息以增强目标定位准确率和感知能力;最后,将CIoU损失函数替换为Wise-IoU损失函数,以准确地衡量目标框之间的相似性,提高模型的缺陷检测性能。在NEU-DET数据集上,YOLO-VDCW实现平均检测精度(mAP)达到79.8%,相比YOLOv8n,其平均检测精度提高3.8个百分点,计算量和参数量分别减少34.1%和36.8%,检测速度提升37.9%,模型体积仅有4.9 MB。试验结果表明,YOLO-VDCW相对其他算法,在保证轻量化的同时,可有效提高带钢表面缺陷检测精度和速度。

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.

钢球表面缺陷检测用双光路光源稳定控制技术研究

半导体激光器作为光源产生器件进行钢球表面缺陷检测时,由于其自身的材质和结构,输出光功率受注入电流和温度变化的影响很大,光源很容易产生波动,这对检测结果产生了较大的干扰,影响钢球表面缺陷检测的准确率。本文设计了一种用于钢球表面质量检测的小功率半导体激光器功率稳定系统。通过上位机对单片机烧录程序实现对半导体激光器发光功率的自动控制,系统设计有光功率反馈模块、温度控制模块和光隔离模块,可以有效的消除电流浪涌现象、温度变化和反射光干扰等因素对激光器输出功率的影响,保证激光器发出恒定功率的稳定光。最后对1310 nm的激光器进行了测试,该系统将光功率的不稳定度从9.37%降低到1.42%,为后续的钢球表面缺陷检测奠定了良好的基础。

基于机器视觉和改进形态学边缘检测算法的钢球缺陷检测技术研究

为提高钢球表面缺陷检测的效率和准确性,设计一种基于机器视觉的钢球表面缺陷分拣系统。对钢球表面图像进行图像分割、平滑去噪和二值化预处理,获取钢球表面图像的准确信息,并采用改进的中值滤波算法去除噪声;利用小波变换和多尺度形态学融合算法进行钢球表面缺陷的边缘检测;通过该融合算法和其他算法的检测结果对比和客观数据评价,验证了本文所提算法能够有效保留图像真实细节,并满足钢球分拣系统的需求。

基于改进ACGAN的钢表面缺陷视觉检测方法

为提高小样本环境下钢表面缺陷检测精度,提出一种基于改进辅助分类生成对抗网络(Auxiliary classifier generative adversarial network,ACGAN)的钢表面缺陷检测方法。利用残差块优化ACGAN的网络结构,提高模型的特征提取能力;其次,为提高模型训练的稳定性,在网络的卷积层中添加谱范数归一化,防止模型异常的梯度变化;基于正-未标记分类的思想优化判别器的损失函数,提高生成样本的质量;同时,为缓解生成对抗网络的模式崩塌问题,在损失函数中添加梯度惩罚来约束判别器的梯度;通过生成器和判别器的对抗优化训练实现样本扩充。通过对钢表面缺陷数据集的试验,验证了提出的方法能准确有效地实现小样本环境下钢表面缺陷检测。与经典的SVM、ResNet50以及一些小样本分类模型相比,所提方法具有更高的检测精度。

基于空间全角度光源的钢球表面微缺陷检测

针对金属球面高反光及高曲率对表面微缺陷检测的不利影响,提出一种基于空间全角度光源和图像融合的检测方法。通过空间全角度光源系统提供不同照明方案扫描球面获得图像信息,利用图像融合对有效检测区域内微缺陷与背景的差异性进行累积,放大微缺陷与背景差异,提升微缺陷检测能力。实验结果表明,基于所提方法的检测装置对直径为20 mm、精度为G16的轴承钢球表面不同位置微缺陷的检测效果显著,解决了金属球面高反光引起的检测盲区问题,并对轴承钢球表面各种微缺陷具有良好的检测能力。

Realtime Vision-Based Surface Defect Inspection of Steel Balls

In the proposed system for online inspection of steel balls, a diffuse illumination is developed to enhance defect appearances and produce high quality images. To fully view the entire sphere, a novel unfolding method is put forward based on geometrical analysis, which only requires one-dimensional movement of the balls and a pair of cameras to capture images from different directions. Moreover, a realtime inspection algorithm is customized to improve both accuracy and efficiency. The precision and recall of the sample set were 87.7% and 98%, respectively. The average time cost on image processing and analysis for a steel ball was 47 ms, and the total time cost was less than 200 ms plus the cost of image acquisition and balls' movement. The system can sort 18 000 balls per hour with a spatial resolution higher than 0.01 mm.