基于三维点云深度学习的增材制造表面缺陷检测方法研究
这是一篇关于增材制造,表面缺陷检测,深度学习,点云预处理的论文, 主要内容为增材制造工艺的不断发展给传统制造业的生产模式与生产效率带来了革命性的变化,表面缺陷检测作为增材制造质量检测的关键手段成为增材制造技术研究热点。为了避免当前打印层的缺陷影响后续的零件成形质量,本文利用三维点云数据和深度学习技术,检测出电弧增材制造零件生产过程中的表面缺陷,从而为后期的缺陷处理方案提供重要的参考依据。本文主要有以下点云数据预处理和基于深度学习的表面缺陷检测两方面的研究内容:针对传统点云数据预处理的不足,设计了合适的预处理算法流程。首先,使用统计滤波算法去除点云中的噪声,提高点云的质量。其次,采用改进的欧氏聚类算法获取零件表面的焊道点云数据,解决阈值选取不合理导致的过分割或欠分割问题,减少基板等其他背景的干扰,并降低点云的数据规模。然后,结合本文研究数据的特点,提出数据切片和平面投影的处理思路来进行点云空洞的填补,还原缺陷数据缺失区域原始形貌,以保证焊接缺陷的完整性。最后,为了克服传统精简算法不能有效判定和保留缺陷特征点与边界特征点的缺点,提出了基于区域划分的点云精简算法,融合多个判据来提取特征点,并对不同的区域采取不同的精简策略,实验结果表明该精简算法相对于传统精简算法有更高的精度与更强的鲁棒性。针对现有PointNet网络模型存在的问题,加入基于多尺度特征融合的邻域特征学习单元来弥补Point Net不能有效捕获局部语义结构的不足,嵌入注意力机制模块来提高网络的分割性能,优化了损失函数,对不同种类的样本按照数量占比来分配权重,改善多类别样本的数据占比失衡问题。实验结果表明该改进的Point Net网络在电弧增材制造缺陷数据集上总体准确率达到86.82%,平均交并比达到73.29%,相对于原始Point Net网络分别提高了10.44%和8.92%,能更准确地检测电弧增材制造过程中的表面缺陷。
基于三维点云深度学习的增材制造表面缺陷检测方法研究
这是一篇关于增材制造,表面缺陷检测,深度学习,点云预处理的论文, 主要内容为增材制造工艺的不断发展给传统制造业的生产模式与生产效率带来了革命性的变化,表面缺陷检测作为增材制造质量检测的关键手段成为增材制造技术研究热点。为了避免当前打印层的缺陷影响后续的零件成形质量,本文利用三维点云数据和深度学习技术,检测出电弧增材制造零件生产过程中的表面缺陷,从而为后期的缺陷处理方案提供重要的参考依据。本文主要有以下点云数据预处理和基于深度学习的表面缺陷检测两方面的研究内容:针对传统点云数据预处理的不足,设计了合适的预处理算法流程。首先,使用统计滤波算法去除点云中的噪声,提高点云的质量。其次,采用改进的欧氏聚类算法获取零件表面的焊道点云数据,解决阈值选取不合理导致的过分割或欠分割问题,减少基板等其他背景的干扰,并降低点云的数据规模。然后,结合本文研究数据的特点,提出数据切片和平面投影的处理思路来进行点云空洞的填补,还原缺陷数据缺失区域原始形貌,以保证焊接缺陷的完整性。最后,为了克服传统精简算法不能有效判定和保留缺陷特征点与边界特征点的缺点,提出了基于区域划分的点云精简算法,融合多个判据来提取特征点,并对不同的区域采取不同的精简策略,实验结果表明该精简算法相对于传统精简算法有更高的精度与更强的鲁棒性。针对现有PointNet网络模型存在的问题,加入基于多尺度特征融合的邻域特征学习单元来弥补Point Net不能有效捕获局部语义结构的不足,嵌入注意力机制模块来提高网络的分割性能,优化了损失函数,对不同种类的样本按照数量占比来分配权重,改善多类别样本的数据占比失衡问题。实验结果表明该改进的Point Net网络在电弧增材制造缺陷数据集上总体准确率达到86.82%,平均交并比达到73.29%,相对于原始Point Net网络分别提高了10.44%和8.92%,能更准确地检测电弧增材制造过程中的表面缺陷。
基于机器视觉的SFP底座缺陷检测方法研究
这是一篇关于表面缺陷检测,SFP底座,机器视觉,深度学习,轻量化网络的论文, 主要内容为随着5G时代的到来,光纤通信行业的市场规模与日俱增,光纤通信领域最为基础的零部件之一的SFP光模块底座的需求量也随之迅速增长。SFP光模块底座生产质量不仅直接影响SFP装配质量、寿命与使用效果,还可能影响整个光纤通讯系统的运转。目前,SFP底座的表面缺陷检测仅依靠人工目视完成,检测精度与效率难以满足SFP底座的自动化生产需求,为推动智能制造在通信行业的全面发展,研究SFP底座表面缺陷的智能化检测方法具有极为重要的工程意义和应用价值。基于机器视觉的缺陷检测技术非接触、高精度、高效率、稳定性好等优点,本文对基于机器视觉的SFP底座表面缺陷检测方法展开了深入研究,重点从传统图像处理、深度学习、轻量化深度学习三个方向分别对SFP底座表面缺陷检测算法进行研究。论文主要研究工作如下:(1)基于SFP底座缺料、颗粒、卡石、多料和毛刺等五种常见表面缺陷特征的分析和检测需求分析,进行了成像方案硬件选型,设计并搭建了一套抗干扰能力强、可稳定采集高分辨率图像的成像平台,实现了SFP底座图像快速自动化成像。(2)基于传统图像处理方法进行SFP底座表面缺陷检测研究,采用二值形态学、阈值分割等算法将SFP底座图像从背景中分割出来,基于投影长度最小实现了图像倾斜校正,在获取单个SFP底座图像后按照五种常见缺陷分布将其划分为五种检测块,基于形态学、图像分割、LBP算子等方法对五种检测块分别构建特征提取算法,并采用SVM分类器实现缺陷的判定。实验结果表明:五种缺陷的平均检测精确率为92.17%,平均召回率为90.86%,单个SFP底座表面检测时间为4.32s。(3)针对基于传统图像处理构建的检测算法在面对数据分布变化时存在的泛化能力不足、检测精度欠佳等问题,对基于深度学习的SFP底座缺陷检测算法展开了研究。通过实验结果对比,从Faster R-CNN、SSD、YOLOv4中选择综合性能最佳的YOLOv4构建SFP底座表面缺陷检测模型,并针对本文数据集中存在难分辨样本、样本分布不均匀等问题,对YOLOv4算法进行基于K-means++聚类算法的先验框生成优化和基于Focal Loss的损失函数优化,实验结果验证了优化后的YOLOv4在进行SFP底座缺陷检测时的优越性与有效性。五种缺陷的平均召回率为98.87%,平均精准率为96.34%,单个SFP底座检测时间为23.5ms,验证了改进的YOLOv4的优越性以及应用于SFP底座表面缺陷检测的可行性。(4)针对YOLOv4算法的深层网络结构导致效率低、拥有过多网络参数导致设备部署需求增加的问题,对上述算法进行轻量化改进。分别采用Ghost Net与Mobile Netv2对YOLOv4的主干网络进行替换,通过实验结果选择基于Ghost Net进行替换的YOLOv4算法构建SFP底座表面缺陷检测轻量化模型,同时为了优化轻量化改进后算法的检测精度,在其特征融合网络中加入CBAM注意力机制。实验结果证明基于Ghost Net与CBAM改进的YOLOv4检测模型不仅实现了轻量化改进,其检测精度仍能满足实际应用需求。基于轻量化改进后的YOLOv4算法SFP底座表面缺陷检测时的平均召回率为97.31%,平均检测精准率95.18%,在CPU上单个SFP底座检测时间为0.382s,验证了轻量化改进的有效性以及实际应用的可行性。上述两种基于YOLOv4改进的SFP底座检测算法均能满足实际检测需求,其中基于K-means++和Focal Loss改进的YOLOv4拥有更高的检测精度,而基于Ghost Net和CBAM改进的YOLOv4则拥有更快的检测速度,且对设备部署需求更低。论文研究成果为SFP底座表面缺陷的视觉检测提供了重要的依据。
基于图像识别的汽车滤纸表面缺陷自动检测研究
这是一篇关于表面缺陷检测,图像处理,图像识别,二值化,边缘检测的论文, 主要内容为随着我国汽车工业的飞速发展,汽车空气滤清器的产销量也大幅度提高,为了杜绝传统人工检测滤纸过程中产生的纰漏,大幅提高检测效率,研究并开发出了汽车空气滤清器滤纸表面缺陷自动检测系统。本系统采用C/S架构,由于VC++是面向对象的程序设计语言,为开发图像处理软件提供了丰富的组件,同时非常适合分布式开发,因此前台开发工具选用VC.NET技术。系统开发环境为Visual Studio.NET2005,后台数据库采用SQL Server 2010。本文采用数字图像识别技术,通过对滤纸的数字图像预处理和识别,并对识别出的滤纸疵点进行测量和存储,实现滤纸表面疵点检测自动化,提高疵点检测效率。滤纸表面缺陷图像经过图像预处理、图像增强、图像分割、边缘检测、腐蚀和膨胀、图像测量等图像处理过程,得到可供测量的二值化图像。对二值化后的疵点图像经测量其周长、面积等特征数据,把疵点缺陷图像和计算结果存入到数据库中,并为定位标识机构提供控制数据。本文主要针对滤纸疵点进行检测,具有投资成本低,检测效果好,系统易于维护管理,运行成本较低的特点,能经济有效地检测出各类滤纸疵点。
纹理工业品表面缺陷检测系统设计与实现
这是一篇关于表面缺陷检测,通道注意力,空间注意力,特征融合的论文, 主要内容为随着深度学习中目标检测算法的发展,工业品质检迎来了一种全新的自动化检测手段,提高了工业品质检的效率和精度,并逐渐成为了工业品质检的主要手段。但是,现有目标检测算法研究主要针对于常规场景目标的检测,缺乏对复杂纹理工业品表面研究。与常规工业品相比,复杂纹理工业品具有两个显著的特点:首先,复杂纹理工业品表面的检测场景通常存在大量难以检测且低可视度的小尺寸缺陷;其次,复杂纹理工业品的背景干扰严重,这导致目前的检测算法容易将正常的纹理变化误判为产品缺陷区域。因此,为了提高目标检测算法在复杂纹理工业品表面缺陷检测方面的效率以及降低检测的困难度,本文开展了以下工作:(1)基于通道与空间注意力的复杂纹理表面缺陷检测方法。为了提高复杂纹理工业品表面缺陷的检测效率,本文从复杂纹理工业品小尺寸缺陷难以检测和复杂纹理工业品的背景干扰严重出发。首先,提出了选择性特征融合方法来克服低可视度小尺寸缺陷难检测的问题。在深浅层特征融合过程中,引入了一个额外的分支,通过建模深浅层特征通道之间的关系,动态生成特征融合权重,实现了选择性的特征融合。其次,为了抑制复杂纹理背景干扰,设计了基于通道与空间联合注意力方法。基于纹理工业品表面缺陷的形态和分布位置特点,在通道注意力中建模特征通道的局部性关系提升关键缺陷特征通道在模型训练中的权重;并基于空间注意力捕捉长距关系,选择性聚合关键区域特征。最后,在纹理瓷砖表面缺陷数据集和纹理铝型材表面缺陷数据集中,通过消融实验验证了本文方法的有效性。(2)面向复杂纹理瓷砖表面缺陷检测的自动化检测系统。为了进一步降低在实际质检环节的复杂纹理工业品检测的困难度,基于上述方法,设计并实现了复杂纹理瓷砖表面缺陷检测系统。除了常规检测系统的缺陷可视化、数据标注、数据管理等功能,本文在系统中考虑到复杂纹理工业品图片的质量,设计了图像采集和图像预处理模块,致力于提供高清晰的复杂纹理工业品图片并充分利用高分辨率图像高清晰度细节,减低了在实际质检环节的困难度。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码工坊 ，原文地址：https://m.bishedaima.com/lunwen/47801.html
