基于机器视觉的船舶焊缝缺陷识别研究

系统中胶片数字化采用CCD传感器直接摄像法获取焊缝胶片的图像,对图像高斯滤波,模糊增强等预处理,利用熵关联法分割图像,roberts提取缺陷边缘,最终提取缺陷,通过对焊缝缺陷特征分析,选取缺陷识别的特征参数,建立了用于焊缝缺陷识别的支持向量机模型.实验验证,该系统具有良好的稳定性和较高的识别率.     

基于深度学习与漏磁探伤的桥梁缆索检测预警系统研究

为准确、全面地评估桥梁缆索的损伤，开发了基于深度学习和漏磁探伤的桥梁缆索检测预警系统。该系统主要由检测平台和预警平台两部分组成，利用检测平台中爬索机器人的高清摄像头和磁传感器列阵收集缆索表面的缺陷图像及漏磁信号数据，随后将缺陷图像输入到深度学习模型中对其进行自动分类与识别，利用小波分析处理漏磁信号数据以确定内部高强钢丝锈蚀缺陷位置，并根据检测到的数据提出了五级预警。为验证桥梁缆索检测预警系统的可靠性，利用该系统对4座在役斜拉桥的缆索进行检测。结果表明：该系统嵌入的深度学习模型和经过小波分析处理后的磁信号能够准确识别桥梁缆索表面的缺陷特征和内部钢丝锈蚀位置；该系统中预警平台可以将检测信息及时发送给管养部门，便于其采取相应的补救措施。     

基于深度学习的零件质量缺陷检测在制造业中的应用研究

主要介绍了基于深度学习技术的零件加工质量缺陷检测在制造业中的应用。传统的零件检测方法存在检测精度不高、人工干预较多等问题,而基于深度学习技术的零件加工质量缺陷检测方法可以有效地解决这些问题,提高产品质量和生产效率。文章以曲轴生产过程中两侧孔内部铁屑残留的检测为例,详细介绍了基于YOLOv5深度学习框架的自动化视觉检测系统方案。该系统使用PLC触发软件控制相机拍摄两侧孔内部图像,通过深度学习模型识别孔内是否存在铁屑残留,并将结果展示并保存在界面上,最终反馈给PLC合格与不合格信号。采用深度学习模型,可以快速、准确地完成检测任务,并且能够进行追溯和分析。文章还对比了传统目视检查方案和基于深度学习的检测方案的优缺点,并提出了硬件工装设计和优化建议。总体来说,基于深度学习的目标检测技术在制造业领域具有高效性、准确性、灵活性和可靠性等优势,能够帮助企业提高生产效率、降低成本,并且提高产品质量和安全性。该研究为零件目标检测领域的深入应用提供了借鉴和参考,也为其他工业自动化、智能安防和自动驾驶等领域的应用提供了启示。     

基于单阶段算法的智能汽车跨域检测研究

在自动驾驶汽车中,深度学习算法可以对单目视觉摄像头采集到的图像进行准确地检测和识别,对于保证驾驶安全性具有重要意义.在保证实时检测的前提下,为了提高深度学习模型的检测精度和鲁棒性,以应对多种复杂的道路场景,对单阶段检测算法YOLOv3进行改进并将其应用在跨域目标检测中.首先,在数据预处理阶段,根据各类目标物形状和尺寸的...     

钢结构工程高强度螺栓微小松动视觉检测方法研究

基于计算机视觉的螺栓松动检测方法中,一类是通过对连接节点图像进行透视矫正并分析螺栓轮廓边缘直线角度的变化以及时发现微小的松动缺陷。然而,目前这类方法在图像矫正和螺栓轮廓边缘检测的可靠性方面还有较大的改进空间。为此,针对钢结构螺栓连接节点,提出了基于深度学习的螺栓松动视觉检测方法。首先,基于YOLOv5检测螺栓目标。针对螺栓感兴趣区域(RoI),基于鲁棒性较高的Attention U-Net提取螺栓轮廓边缘直线。为了提高螺栓目标检测精度,目标检测模型应设定较低置信度阈值以保证目标无漏检,再通过螺栓RoI提取的边缘直线数量筛除伪螺栓。使用透视变换法对节点图像进行矫正,变换所需的参考点是根据螺栓检测框之间空间移动后的相交关系自动定位的。最后,根据矫正图像中的螺栓轮廓边缘直线计算螺栓角度,通过检测螺栓和基准螺栓之间的角度差异判断松动情况。研究结果表明：螺栓目标检测的AP值为0.97;螺栓轮廓边缘检测的准确率、召回率和F1的均值分别为0.846、0.807与0.825,且在多种复杂背景干扰下具有较高的鲁棒性;伪螺栓筛除法可过滤掉99.82%的伪螺栓目标;提出的图像矫正法适用于常见的多种螺栓排列形...     

视觉技术在汽车焊点检测领域的应用

针对汽车行业内焊点检测的难点,提出了采用视觉技术的方法。利用图像识别技术中的特征匹配检测焊点缺失情况,利用图像标定转换的方式实现焊点偏移量超差的判定,最后通过基于ResNets残差网络的深度学习模型对焊点缺陷进行6分类学习,实现缺陷的检出及分类。其中焊点缺失检测成功率达100%,缺陷识别正确率达95%以上。此技术完善了焊点的质量检测,有效地替代了人工抽检的方式,提高了检测效率及检测正确率,实现了焊点全智能化的检测。     

基于Faster-RCNN的车辆零件缺陷检测方法

正车辆零件的缺陷检测是整车装配的重要环节,需在组装图像中检测到存在缺陷零件。本文提出了基于Faster-RCNN的零件缺陷检测方法,对生产线上收集到的八类图片进行检测。实验结果表明Faster-RCNN模型在自制数据集下的平均准确率高于VGG16模型和YOLO模型,对测试集八类图片的平均准确率为98.23%。因此,Faster-RCNN模型在车辆零件缺陷检测中具有有效性、准确性和可行性。     

基于深度学习的公路路面病害智能化检测系统

公路交通对国家政治、经济发展有着重大的作用。随着公路的快速发展,公路安全问题也应得到更多关注和维护。传统的公路路面病害人工检测法效率低下且准确率低,因此,提出了基于深度学习的公路路面病害智能化检测系统。首先,在异常检测阶段,构建卷积编码器从大量公路路面图像中提取出病害图。其次,在异常提取阶段,利用阈值分割法提取公路路面病害特征。最后,在公路路面病害分类阶段,利用ResNet结构训练模型来确定公路路面病害所属的分类。结果表明,该方法一次模型训练约3 min,且分类准确率在90%以上。     

基于改进神经网络的机器视觉的路面破损检测系统研究

研究开发了一套基于机器视觉的路面质量检测系统,并将改进的神经网络方法应用到道路路面缺陷检测中。分析了系统的基本组成和总体结构,介绍了软件设计流程以及网络设计与训练过程。同时考虑到传统图像分割算法的局限性,设计了一种检测图像内任意区域实时检测算法。可以适应路面龟裂、横裂、纵裂、块裂等多种缺陷以及缺陷并存的复杂道路样本图像。该检测系统具有很强的灵活性,检测速度较快,完全满足实时检测的要求。     

基于深度学习的土木基础设施裂缝检测综述

基于深度学习的裂缝检测对于降低基础设施运营风险、节约运维成本并推进中国土木工程行业智能化转型具有重要意义。算法、数据集和评价指标是构建深度学习裂缝检测模型的关键要素；裂缝检测模型集成于机器人平台，从而实现对土木基础设施的全自动裂缝检测。为此，从以上4个方面对当前研究进行了系统梳理。首先，回顾了深度学习的发展历程，重点介绍了深度卷积神经网络在计算机视觉领域的应用及其在图像处理方面较传统算法所具有的显著优势。接着，详细介绍了3类基于深度学习的裂缝检测主流算法，包括分类算法、目标检测算法和语义分割算法。然后，对现有裂缝图像数据集以及模型性能评价指标进行了归纳。最后，总结了土木基础设施的各类裂缝检测机器人平台。综合分析表明：基于卷积神经网络主干结构的深度学习算法已被广泛用于土木基础设施表面裂缝的精准定位与分类，而裂缝的尺寸信息仍需依靠传统图像处理技术进行提取；由于像素级标注的成本和专业性高，大型的裂缝语义分割数据集相对缺乏，致使当前基于语义分割算法的裂缝检测模型鲁棒性较差；目前多数研究人员采用个人建立的裂缝数据集进行模型训练且采用不同的指标进行模型性能评价，缺乏统一的基准测试数据集和评价指标体系，无法对不同模型的性能进行平行比较；目前针对不同基础设施已相应开发了一些裂缝检测机器人，提高裂缝检测机器人的多场景适应性，并降低其应用成本是未来的发展方向。     

基于深度学习的船舶驾驶员疲劳检测算法

针对日益凸显的船舶值班人员疲劳驾驶问题，为有效预警值班驾驶员的疲劳状态，保障船舶航行安全，研究了基于深度学习的疲劳检测算法。考虑到船舶驾驶台空间大、背景复杂等特点，使用深度可分离卷积改进RetinaFace人脸检测模型，优化模型的检测速度；基于Channel Split和Channel Shuffle思想，结合批量归一化、全局平均池化等技术搭建改进的ShuffleNetV2网络，自动提取图像特征，识别眼睛、嘴巴的开闭状态；根据PERCLOS准则融合眼睛、嘴巴2个特征参数综合判定驾驶员是否疲劳。实验结果表明:改进后RetinaFace模型的检测速度由9.33帧/s提升至22.60帧/s，人脸检测精度和速度均优于多任务卷积神经网络（MTCNN）；改进的ShuffleNetV2网络识别眼睛、嘴巴状态的准确率高达99.50%以上；算法在模拟驾驶台环境中识别疲劳状态的精确率达到95.70%，召回率达到96.73%，均高于目前常见的Haar-like+Adaboost以及MTCNN+CNN疲劳检测算法。算法检测每帧图片仅需0.083 s，基本满足实时检测的要求。      

面向地下停车场的轻量级目标检测算法研究

基于深度学习的目标检测算法能够取得良好的检测速度离不开高性能GPU硬件设备的支持。然而,在智能车中搭载高性能、高功耗、大尺寸的硬件设备与汽车的长续航理念不符。因此,文章以YOLOv3目标检测算法为基线模型进行改进,提出轻量化的目标检测模型Mobile-YOLO,并在采集制作的地下停车场数据集中进行训练测试。实验结果表明,提出了Mobile-YOLO相较于YOLOv3,在平均精度均值略微提升的情况下,检测速度提升了47.1%。在移动端平台TX2上每秒能够检测31张图像。     

无人车行驶环境图像的几何测距

本文中提出了一种无人车行驶环境图像的几何测距方法。首先,利用迁移学习的方法改进Tiny-YOLOv2网络模型,对需识别的物体进行训练与检测,标记物体并定位物体在图像中的位置。其次,提出了一种通过物体分类、边缘检测及边缘拟合的方法,进一步提取物体的图像信息。最后,建立了一种基于空间几何理论的测距模型,结合物体先验信息实现了物体的距离测量。该方法在4 m以内88%以上的测量值误差不超过0.2 m,同时测量误差并没有随着距离的增加而有较大变化。     

基于深度学习的多角度车辆动态检测方法

针对在复杂场景下,背景区域干扰特征过多、被检测目标运动速度快等导致的动态目标检测率低的问题,研究了基于深度学习的多角度车辆动态检测方法,将带有微型神经网络的卷积神经网络(MLP-CNN)用于传统算法的改进.使用快速候选区域提取算法提取图像中可能存在车辆的区域,之后使用深层卷积神经网络(CNN)提取候选区域的特征,并在卷积层中增加微型神经网络(MLP)对每层的特征进一步综合抽象,最后使用支持向量机(SVM)区分目标和背景的CNN特征.实验表明,该方法能够处理高复杂度背景条件下,部分遮挡、运动速度快的目标特征检测,识别率高达87.9%,耗时仅需225ms,比常用方法效率有大幅度提升.      

基于深层卷积神经网络的公路边坡灾害识别研究

人工检测公路边坡灾害,费时费力,效率和识别率较低,随着以深度卷积神经网络为代表的深度学习技术在图像目标识别方面取得的卓越成绩,为实现公路边坡灾害图像自动检测提供了新的思路。有鉴于此,针对传统人工方案存在的问题,本文设计了基于深度卷积神经网络实现公路边坡灾害自动识别系统。系统由预处理、深度学习网络模型及后处理三部分构成,在深度学习开源Caffe开发环境下,实现了Alex Net和Goog Le Net深度学习网络模型并采用大量公路边坡数据完成模型训练。通过对公路边坡实测数据的分类试验,本方案的边坡灾害识别率达到90%左右,表明基于深度学习的公路边坡检测方案可有效完成公路边坡灾害识别任务,有效替代传统人工检测方式。     

基于阈值自适应调整的图像特征均匀分布ORB算法改进

基于相机的无人驾驶汽车视觉同步定位与地图构建(SLAM),可完成无人驾驶汽车的定位与建图.针对传统ORB(Oriented FAST and Rotated BRIEF)算法在提取图像特征点时容易造成冗杂、分布集中的问题,提出一种限制四叉树算法分裂深度的改进ORB (A-ORB)算法.该算法构造图像金字塔解决尺度不变性...     

基于机器视觉的隧道衬砌表观病害检测技术研究进展

针对隧道衬砌表观裂缝病害的智能化检测算法问题,梳理了自动检测算法的处理流程,介绍了3种裂缝自动检测的方法:图像处理、传统机器学习、深度学习算法,并分析了3种方法的适用范围及优缺点,重点讨论了深度学习算法,它从根本上改变了裂纹检测的方式,大幅提高了检测性能。对基于分类、目标检测和分割的深度学习神经网络在裂纹检测中的应用进行了综述和比较,展望了该算法在裂缝自动检测的应用前景。     

基于改进长短时记忆网络的驾驶行为检测方法研究

疲劳驾驶和不安全驾驶行为是引起交通事故的主要原因,随着智能交通技术的发展,利用深度学习算法进行驾驶行为检测已成为研究的热点之一。在卷积神经网络和长短时记忆神经网络的基础上,结合注意力机制改进网络结构,提出一种混合双流卷积神经网络算法,空间流通道采用卷积神经网络提取视频图像的空间特征值,以空间金字塔池化代替均值池化,统一了特征图的尺度变换,时间流通道采用SSD算法计算视频序列相邻两帧光流图像,用于人眼等脸部小目标的检测,再进行图像特征融合与分类,在LFW数据集和自建数据集中进行了实验,结果表明本方法的人脸识别和疲劳驾驶的检测准确率分别高于其他方法 1.36和2.58个百分点以上。     

基于深度学习的驾驶员状态识别

提出了基于驾驶员脸部及周围信息的驾驶员状态检测方法。文章通过实车摄像头采集了驾驶员驾驶状态视频数据,利用Dlib和OpenCV库对采集的驾驶员图像进行脸部检测,基于驾驶员脸部数据建立了深度学习数据集,然后基于该数据集设计了一种卷积神经网络模型FaceNet,利用PyTorch深度学习框架在数据集上对模型进行训练,最终得到了有较高准确率的驾驶员状态检测模型,其可识别抽烟、睡觉、左手打电话和右手打电话四种驾驶员状态。     

基于深度学习的高分影像道路提取方法研究

首先阐明了道路数据信息化管理的重要意义,并简要分析了道路元素特征与提取思路,论证了在高分辨率遥感影像和丰富样本集的支持下,基于深度学习的道路提取方法相较于传统方法具有更优的适用性;其次选择了WGAN(Wasserstein生成对抗网络)深度学习模型来实现道路提取操作,通过样本标注与多层融合训练得到了能够根据原始遥感影像直接输出道路元素二值图像的生成模型;最终通过对实际道路提取任务的实验验证,证明了本方法在提取精度和效率上的优势和普适性。