摘要：针对在目前工业生产的超声检测中缺陷难以定性的问题,在现有缺陷信号处理和人工神经网络分类研究工作的基础上,基于虚拟仪器的设计思想及功能模块化的设计方法,采用PC机和数据采集卡作为硬件系统,在L abV IEW平台上建立了能对缺陷进行智能识别的系统——金属材料超声探伤缺陷分类辅助系统。系统具有采集金属材料中缺陷回波数据、降噪、特征提取和智能识别缺陷等主要功能。实验结果表明,该系统基本上能自动识别出各类缺陷。

摘要：根据金属超声检测中缺陷脉冲回波为非稳态信号的特点，提出了一种基于小波变换和模式识别技术的缺陷定性分类方法.重点研究了利用小波变换提取反映缺陷性质的特征值以及运用模式识别技术对特征值进行缺陷定性识别的方法.为验证上述方法，设计了实验系统，同时对信号的采集、异常信号的剔除等问题进行了研究.利用实际焊接试样进行了实验，经小波变换提取缺陷特征值，然后采用BP(back propagation)神经网络，使缺陷的定性分类获得了较高的准确率.研究结果表明该方法可在一定程度上降低人为因素对缺陷定性识别的影响，获得较好的缺陷分类效果.

摘要：为提升钢板表面缺陷分类精度,提出一种选择性弱化样本的分类模型。首先,在图像预处理阶段引入显著性检测算法来减少二值化后图像出现失真的影响;其次,为了降低不利的边缘样本点对模型的影响,同时又能提高有利的边缘样本点对模型的贡献,构造了一种新的密度模糊隶属度函数对样本进行权重赋值;最后,在孪生支持向量机(TWSVM)的基础上,将构造的密度模糊隶属度函数作为优化条件嵌入模型内,提出了近邻密度辅助模糊优化的TWSVM算法,以提高分类效果。在数据集NEU上的实验结果表明,引入显著性检测算法后,重新设计的特征在整体准确率上提高了1.66%,同时采用优化后的算法进行缺陷分类,准确率达到98.33%,进一步提高了分类性能。

摘要：深度学习在金属板带材表面缺陷检测中取得良好的检测效果,但随着网络层数的增加,针对较小样本的金属板带材表面缺陷数据集训练数据容易出现过拟合现象的问题,为此将残差网络与迁移学习结合提出了一种融合多层次缺陷特征的图像分类算法。该算法采用残差网络模块逐层提取金属表面缺陷特征,获得丰富的位置信息和语义信息缺陷特征的特征图,后续利用分类网络基于该融合特征图得到最终分类结果,同时对特征提取网络进行迁移学习,增加网络泛化能力,优化分类精度。利用钢带表面缺陷检测数据集评估本文算法性能,实验结果表明,提出的算法具有较好的分类效果,优于其他缺陷分类算法,分类准确率可达到99.07%,同时本文所提算法具有良好的抗噪性和泛化性,在金属板带材表面缺陷智能检测中具有较好的应用价值。

摘要：硬件产品是使用最为广泛的一类产品,其设计缺陷的表现形式多样,对产品安全和功能的影响方式和程度各不相同。从预防和控制设计缺陷的角度,给出了反映设计开发活动时序和功能任务关系的硬件产品设计开发过程的综合模型,以此为基础对硬件产品的设计缺陷进行了定性和定量分类研究,提出了一种基于灰色聚类评估的设计缺陷定量分类方法。该分类方法综合考虑了设计开发过程和缺陷的特征属性,利用灰色聚类评价和层析分析法实现了设计缺陷分类的定量化。最后以国内近两年来召回汽车的部分设计缺陷分类为例,验证了该分类方法的可行性和有效性。

摘要：针对应用深度学习检测数码印花缺陷需准确分类的问题,提出了基于卷积神经网络(CNN)的数码印花缺陷分类算法。该方法首先依次对图像进行RGB颜色空间直方图均衡化、高斯滤波、局部均值分辨率调整的图像预处理,提升输入网络的图像质量,并进行图像几何变换的数据增强,扩充样本数据集;然后,设计拓扑结构为2个卷积层、2个池化层、2个全连接层的CNN网络对样本进行训练,得出最优的数码印花缺陷分类CNN模型。经600张测试样本验证,结果表明,该算法对各类数码印花缺陷的分类准确率均超过90.0%,多分类任务Kappa系数值为0.94,能实现数码印花缺陷的准确分类。

摘要：随着城市轨道交通的飞速发展,实现钢轨表面缺陷实时检测对铁路行业稳步发展意义重大。如何实时检测钢轨表面缺陷是保障铁路运行安全亟须解决的一个关键问题。鉴于此,设计了一套基于机器视觉的钢轨表面缺陷检测实验仿真方法。搭建图像采集、图像预处理和缺陷分类等模块;提出自拟合亮度调整算法完成像素值统计,得到清晰的缺陷特征图像;用750组数据训练网络权值,实现缺陷分类预测;经过数据分析和误差评估,识别准确率在90%以上,相关系数高达0.96,单幅图像平均耗时1.267 s,测试表明,所提方法能准确、高效地实现钢轨表面缺陷信息的缺陷分类与识别。

摘要：针对网片缺陷传统人工检测方法误检率高、劳动强度大等问题,应用机器视觉技术,提出了一种网片缺陷在线检测及分类方法。首先通过工业相机获取网片图像,应用中值滤波和图像二值化方法实现对网片图像的预处理。通过分析缺陷特征,提出了基于特征点的网片缺陷检测方法,在检测出缺陷的同时能对网片三种缺陷类型进行预分类。根据网片缺陷类型的不同,通过计算缺陷区域的灰度共生矩阵并提取4个特征参数,运用BP神经网络对网片缺陷进行分类。实验表明,使用本方法分类网片缺陷类型能满足工业要求。

摘要：缺陷准确量化是管道漏磁检测领域中长期存在的一个难点,而对缺陷进行科学的分类是实现准确量化的重要前提。针对不同形态的缺陷,分析其特征参数对漏磁信号的影响因素,建立用于缺陷分类的BP神经网络模型,设计改进的Levenberg-Marquardt算法用于网络训练,并利用Ansoft Maxwell 3D建立仿真缺陷数据作为样本进行测试。结果表明:改进后的神经网络系统可实现对缺陷的有效分类,改善传统算法分类精度低、误差大的缺点,收敛速度大幅度提高。该方法已成功应用于大型油气田软件工程领域,为实现缺陷准确量化提供基础和依据。

摘要：针对金属产品上的缺陷在识别过程中,缺陷种类繁多、不易分类等问题,采用一种改进灰狼优化算法优化SVM核参数的思想,并构建改进的GWO-SVM分类器模型实现金属产品表面缺陷识别。首先,在缺陷区域分割的基础上,通过LBP算法对金属产品零件的缺陷数据进行特征提取;其次,通过主成分分析算法对数据进行降维处理;最后,采用SVM对数据样本进行分类识别。实验表明,与其他的分类器模型相比较,文中所设计的改进分类器模型更能够精确有效地对零件不同形状缺陷进行分类识别。