针对现有带钢表面缺陷检测方法准确率低、特征泛化性不强、参数多、识别速度慢等缺陷,基于卷积神经网络,采用DenseNet网络的密集连接算法解决梯度消失和梯度爆炸问题,堆叠式空洞卷积扩大卷积核感受野,深度可分离卷积减少网络参数量,提出一种用于带钢表面陷检测的深度神经网络模型Ds-DenseNet算法。以NEU带钢表面缺陷数据集为基础缺陷样本,加入正样本,并对其进行数据增强操作,创建AUG-NEU数据集,本算法在AUG-NEU数据集上的测试精度高达99.38%,参数量为117958,仅占DenseNet121和ResNet50参数量的1.7%和0.5%,识别速度高达1.3ms/frame,分别是DenseNet121、ResNet50识别速度的2.3倍和2倍,完全可以满足带钢生产线实时检测的需求。

为了提升移动机器人视觉图像对比度、信息量以及整体质量,提出一种新的基于空洞U-Net神经网络的移动机器人视觉图像增强方法。在由编码器、解码器与跳层连接构成的U-Net网络中,引入残差网络与空洞卷积部分,构建空洞U-Net神经网络,以融合不同层次的像素特征块,并根据灰度等级与频数直方图,增强图像对比度。针对图像中待处理的像素点灰度值,利用其邻域像素点灰度值的中间值滤除图像噪声。根据像素向量场,利用梯度下降法锐化图像边缘,实现视觉图像增强。在实验阶段,选取部分样本训练空洞U-Net神经网络,获取最优网络参数,经测试验证所提方法的图像对比度、信息量以及整体质量上都有大幅提升,具有优越的视觉图像增强效果。

缺陷检测是生产实践中非常重要的一个环节。产品表面往往存在丰富的纹理信息,纹理信息很容易导致缺陷误判。针对传统算法在缺陷检测中的局限性,提出了一种改进的U-Net模型来进行高纹理表面缺陷检测。该模型在下采样采用特征融合策略,以减少细节的丢失;在上采样采用多尺度融合策略,获取不同感受野下的丰富信息;用空洞卷积代替部分普通卷积,增加感受野来防止边缘细节的丢失。同时,模型中还采用联合损失函数进行训练,并通过参数优化提高收敛速度。最终,通过对高纹理表面缺陷数据集上进行实验,验证改进的U-Net模型与原始U-Net模型以及SegNet模型、基于滑动窗口的CNN等同类方法进行客观比较,并对实验结果进行可行性分析,提出的模型表现出更精确的检测精度和更好的性能。实验结果表明改进的U-Net模型可以更好的适用于实际生产过程的缺陷检...

焊接缺陷检测是焊接行业的一项重要工作,利用X射线焊缝缺陷图像进行缺陷检测是焊接无损检测的重要手段。为实现对缺陷的自动识别和定位,结合缺陷的具体特征提出了一种改进的Mask RCNN实例分割网络实现对图像进行缺陷检测和分割。该方法在原有网络的基础上通过采用变形卷积更好地提取不规则形状缺陷特征信息,引入空洞卷积加强高层特征的感受野,在局部图像中融合全局图像信息使局部图像获取上下文信息,利用迁移学习和数据增强降低对训练数据的需求,提升检测和分割精度。最终,通过对焊缝X射线数据集上进行实验,验证改进的Mask RCNN模型与原始Mask RCNN模型以及Faster RCNN模型等模型进行客观比较,并对实验结果进行可行性分析,提出的模型表现出更精确的检测精度和更好的性能。实验结果表明改进的Mask RCNN模型可以更好的适用于焊缝缺陷检测中。...