----追光逐电 光赢未来----
一、背景知识
二、传统算法
三、深度学习
3.1裂纹缺陷检测
RPN的作用为提出候选目标,结构示意如图所示,其实现流程包括:
输入图像后,利用CNN网络得到特征图;
将特征图上每一个CONV滑动窗的特征映射为向量并输入Softmax和Regressor层中;
预测缺陷边界框的坐标。
从输入图像中提取特征图并获得感兴趣区域(ROI);
在ROI池中,预先计算的兴趣区域覆盖在特征图上,提取固定大小的特征向量;
将所得向量输入全连接层,计算边界框的位置并对框内对象进行分类。
3.2破损缺陷检测
紧固件提取
借助在速度和精度方面都表现良好的SSD框架,对图像中的悬臂节点进行定位;
基于Yolo框架的快速本地化架构,对紧固件进行定位。
固件缺陷检测与分类
根据第二阶段对紧固件的检测来判断缺陷;
再次借助DCNN,通过4个卷积层对缺陷进行分类(分类网络结构如下图)。
3.3斑点缺陷检测
训练阶段
图像预处理:光照归一化、高斯金字塔下采样和噪声降噪等操作,避免光照等因素的影响;
Patch提取:提取Patch对每个金字塔层的CDAE网络进行训练;
模型训练:利用训练Patch的重构残差作为像素级缺陷预测的指标;
阈值确定:区分缺陷点与无缺陷点的重要参数。
模型测试阶段:
图像预处理:只需进行光照归一化和高斯金字塔下采样操作即可;
Patch提取:提取Patch用于纹理检测;
残差贴图构造:提取局部接受域在训练后的模型中滑动,以对每一个像素进行预测;
缺陷分割:对每个金字塔层的残差图进行分割;
合成:将多个金字塔级别的信息合成,以提高缺陷检测的鲁棒性和准确性。
3.4划痕缺陷检测
CASAE架构
阈值模块
缺陷区域检测
四、总结
申明:感谢原创作者的辛勤付出。本号转载的文章均会在文中注明,若遇到版权问题请联系我们处理。
----与智者为伍 为创新赋能----
联系邮箱:uestcwxd@126.com
QQ:493826566