基于深度学习的工业缺陷检测研究进展

基于深度学习的机器视觉技术在工业缺陷检测上具有重要的应用价值,相较于传统方法可显著提高检测质量和效率,同时降低人工成本.通过分析近年来深度学习在缺陷检测方面的研究与应用,归纳其难点与相关的解决方法,将问题分为缺陷数据集在建立过程中存在的问题与检测模型的选择两个方面.首先,在数据层面,针对缺陷的样本少,数据标注类型复杂,数据成像质量低等问题,对应分析了少样本学习,无监督,半监督,自监督,弱监督学习以及数据增强,图像增强,图像翻译的应用;其次,在检测算法模型的选择上,根据模型类型的不同,分为基于CNN,基于Transformer以及混合模型3类进行讨论,同时根据检测任务需求的不同,又分别从图像分类,目标检测,语义分割3个方面展开论述.此外,总结了工业上常用的轻量化模型的设计方法.最后,对该领域未来的发展方向进行了讨论与展望.

LIDD-Net: 基于深度学习的轻量级工业产品 缺陷检测方法

In industrial products, various types of defects often exhibit high inter-class similarity, large scale variations, and complex backgrounds. To address these challenges, a lightweight industrial defect detection network (LIDD-Net) was proposed. To handle highly similar defect types, in LIDD-Net, a channel interaction separation backbone network was introduced, which enhanced feature extraction while reducing the computational cost of the model. To address multiscale defect variations, a lightweight feature fusion network was developed, namely RepGhostPAN, to efficiently integrate multi-scale features in the image and accelerate inference. For complex detection backgrounds, a lightweight auxiliary training module was proposed, leveraging an auxiliary training head and a dynamic soft label assignment strategy to better distinguish target defects from complex backgrounds. Experiments on steel, aluminum, and tire defect datasets demonstrate that LIDD-Net achieves mAP@0. 5 scores of 98. 3%, 98. 1%, and 96. 1%, respectively, with only 0. 62×106 parameters, meeting practical industrial requirements.

基于深度学习的工业产品表面缺陷视觉检测方法研究

随着深度学习的发展,基于深度学习的表面缺陷检测方法开始被应用于现实工业生产场景中.但是这些方法一般是基于监督学习的方法,训练模型时需要大量的缺陷标注样本.在现实工业场景中存在缺陷样本收集困难,无法收集涵盖所有类型的缺陷样本,缺陷样本标注需要耗费大量的...

一种基于深度学习的工业产品缺陷检测方法

本发明公开了一种基于深度学习的工业产品缺陷检测方法,属于计算机视觉和深度学习领域,所述方法包括:对原始工业产品图像进行像素级别的缺陷标注,并将原始工业产品图像及其对应的标注信息作为样本数据;对样本数据进行预处理和数据增强,得到训练集,测试集和验证集;构建缺陷检测网络;将所述训练集,测试集和验证集输入搭建好的缺陷检测网络进行训练,得到训练好的缺陷检测模型;将待检测的工业产品图像输入训练好的缺陷检测模型进行缺陷检测,得到所述工业产品图像的缺陷信息.本发明采用深层网络VGG16bn的特征提取网络前端进行下采样,采用亚像素卷积结构实现上采样,同时使用跳跃连接实现特征融合,可以高效,准确的检测出微小的工业产品缺陷.

基于深度学习的表面缺陷检测系统

随着工业的飞速发展,产品质量和生产效率也成为重中之重,本文针对生产过程中,产品表面的可能存在的缺陷,详细介绍了缺陷检测的处理流程和相应算法的选择,交代了算法使用原因和优越性.针对卷积神经网络无法准确的检测细小缺陷等问题,以卷积神经网络为基础设计了全新的分类检测模型,并对该系统的优越性做出说明,并指出下一步的工作方向.

基于深度学习的复杂城市排水管道缺陷智能识别系统

随着现代化进程的不断推进,城市排水系统作为城市基础设施的重要组成部分,其规模和复杂程度不断增加.传统管道缺陷识别依赖于人工判读,费时费力且生产周期长.因此,开展排水管道缺陷智能识别系统研究具有重要的现实意义.本文针对工程项目中的实际需求,提出并实现了一套基于深度学习的复杂城市排水管道缺陷智能识别系统.通过管道缺陷数据库建立,多尺度缺陷检测模型构建,样本增量学习和迁移学习,基于专家系统的评估模型和帧间差分算法等关键技术,实现了缺陷识别的智能化和自动化.经生产实践验证,缺陷智能识别系统精确率达到78.04%,召回率达到84.59%,可有效提高管道缺陷检测效率.

基于深度学习的红枣缺陷识别技术研究

目前国内外对于红枣的缺陷的检测现状大多为人工筛选,这种方式不仅劳动强度大,而且效率低下,红枣的分选质量受工人主观影响较大,不符合国家的食品安全要求。为了提高我国果类生产加工水平,提升果品品质,满足现代化农产品加工需求,基于机器视觉技术进行缺陷的识别已然成为主要的发展趋势。本文基于深度学习理论对红枣缺陷检测中的关键技术进行了深入系统地研究,主要研究内容如下:根据新疆灰枣的检测要求,设计了基于机器视觉的红枣缺陷自动检测装置,搭建了红枣缺陷检测实验平台,并给出了关键模块的设计方案。完成了图像采集模块的设计,确定了合适的数字图像传输方式、光源配置方式、工业相机以及镜头的型号。根据红枣全表面信息的检测要求,设计出了红枣输送翻转装置的结构。根据红枣及其表面缺陷特征,研究了基于Blob分析的红枣缺陷识别算法,提出了采用颜色空间分析和Blob分析算法进行红枣与背景的分离以及红枣表面缺陷的识别,给出了不同缺陷特征种类的颜色空间模型和分割阈值,快速准确地实现了破头果、霉变果、浆头果等典型红枣表面缺陷的识别。针对采用Blob分析识别红枣的干条和黄皮缺陷困难问题,研究了基于深度学习的红枣缺陷识别技术。基于GoogleNet的inception_v3模型,利用Tensorflow人工智能平台,通过对模型的学习率、批次大小、迭代次数的设置与调节,得到网络训练的准确率变化曲线和损失函数变化曲线。实验验证结果表明,该模型对于干条、黄皮、破头、霉变四类缺陷以及正常枣的识别效果良好,准确率可达98%以上。数据集采集和预处理过程繁杂,往往会造成数据集样本不足,导致训练过程产生过拟合现象,针对这一问题,研究了基于迁移学习的红枣缺陷识别技术。研究了迁移学习的相关理论知识,提出了基于迁移学习的层冻结的训练方法,包括神经网络的预训练、"瓶颈层"特征的提取、网络模型的参数微调等过程。研究了迁移学习中迭代次数和数据集数量对模型准确率的影响。实验对比验证了迁移学习方法与深度学习方法,迁移学习在较少的数据集上就能实现较好的训练效果,并且可以节省大量训练时间。最后以C#、Halcon作为软件开发平台,分析了相机拍摄时序以及图像处理流程,研制了红枣缺陷检测系统。

基于深度学习的视觉检测在汽车总装生产线的应用研究综述

随着智能制造发展规划的提出,AI,大数据,云计算等新兴技术不断与汽车制造业相融合,基于深度学习的智能化视觉检测技术,在汽车制造生产过程中有着重要的研究价值.本文首先介绍了基于深度学习视的视觉检测,在产品质量,设备巡检等领域的研究现状,其次,以汽车总装生产线为研究对象,对视觉检测在车间关键生产控制要素,如:安全,设备开动率,质量控制,产品缺陷检测应用方式进行介绍,分析,比较.最后,探讨了基于深度学习的视觉检测在生产制造领域未来的发展方向.

基于深度学习的双目视觉汽车压盘装配生产线研究

汽车工业自动化程度的提高致使越来越多的智能化设备代替人力资源,其自动化生产线中采用工业机器人视觉检测代替人工检测已经成为一个趋势,大大降低了人工劳动力的成本,但也存在分辩能力较差,缺乏适应性和智能化等问题.为了解决这一难题,提出了一种改进型深度学习算法用于工业机器人汽车压盘装配生产线工件的检测.算法研究将汽车压盘分解为4个单个工件,采用双目视觉技术提取采集立体图像,运用ReliefF算法提取工件的最优缺陷特征,运用"缩小型"CNN深度学习算法进行立体图像匹配.通过在不同环境下进行了多次实验,表明该算法可以对不同种类,材料的工件表面不同等级的缺陷进行精确,实时的深度学习并实现检测.