基于结构光的钢轨表面缺陷高对比度成像技术

针对钢轨反光率差异导致的缺陷成像对比度差及亮度极不均匀问题,提出一种基于结构光激励和无监督学习的软硬件协同感知方法。首先设计周期线性条纹光源激励,利用结构光从硬件端增强缺陷成像的对比度。为综合高对比度的局部缺陷信息并克服全局亮度失衡,进一步设计无监督深度学习模型融合各子图,生成亮度均匀的高对比度钢轨表面缺陷成像。实验结果表明:该方法硬件系统结构简单,成本低,所设计的多图融合模型效果良好,同时具备应对局部信息缺失的鲁棒性,解决了钢轨表面反射差异导致缺陷成像对比度差的问题。

基于正弦结构光激励的透明材质缺陷检测方法

透明材质广泛用于航空航天及光学设备等领域,但由于其镜面特性及透射、多重反射等光学性质,针对其微小缺陷的高效自动检测方法是领域难点,主要表现为缺陷成像对比度极低。为得到高缺陷对比度图像,现有方法需要采用复杂的系统结构或是反复的角度调试。本文基于缺陷形态对结构光的调制作用,提出结构简单的高缺陷对比度图像成像方法,且该方法对相机角度不敏感。在不同厚度缺陷试件中的实验结果表明,相较于当前的暗场照明方法,本文方法采集的图像对于冲击损伤、划痕、擦伤缺陷对比度有平均27.58%,最高37.41%的提升。本文方法从成像角度提高缺陷对比度,包含了更丰富的缺陷特征信息。在使用多种深度学习检测算法进行对比实验时,当前最佳的暗场照明方法的平均精度均值(mAP)最大仅为34%,而本文方法均接近80%,有显著的提升。