1 河北工业大学人工智能与数据科学学院，天津 300130
2 河北省控制工程技术研究中心，天津 300130
针对光伏（PV）电池缺陷检测中存在的数据不均衡、缺陷尺度不一和背景纹理复杂多变等因素导致的误检、漏检问题，提出一种基于YOLOv8的缺陷检测算法YOLOv8-EL。首先，使用GauGAN进行数据增强，处理数据集的类内和类间不均衡的问题，提高模型泛化能力，降低模型过拟合的风险；其次，在主干网络和特征融合网络之间嵌入上下文聚合模块，自适应地融合不同层次的语义信息，对齐局部特征，减少微小微弱缺陷信息的丢失，抑制无关背景信息的干扰；最后，构建多注意力检测头以替换解耦头，引入不同的注意力机制细化分类和定位任务，提取空间和通道层面上的关键信息，减少特征混淆。实验结果表明，该模型在扩充后的PV电池EL数据集上的平均精度达到89.90%，模型参数量为13.13×106，在提升精度的基础上兼顾了后续部署时轻量化的要求。在PASCAL VOC数据集上进行泛化性实验，证明了改进算法的泛化性能。
缺陷检测 YOLOv8 生成对抗网络 特征融合 注意力机制 解耦头 激光与光电子学进展
2024, 61(8): 0812008
1 河北工业大学人工智能与数据科学学院，天津 300000
2 天津航天中为数据系统科技有限公司，天津 300000
电致发光(Electroluminescence, EL)下的光伏电池EL 图像背景表现为复杂的非均匀纹理特征，且存在与裂纹相似的晶粒伪缺陷，同时裂纹表现为形状多样的多尺度特征，以上难点为检测任务带来了极大的挑战。因此，本文提出融合注意力的多尺度Faster-RCNN 模型，一方面，采用改进的特征金字塔网络获取多尺度的高级语义特征图，以此来提高网络对多尺度裂纹缺陷的特征表达能力。另一方面，采用改进的注意力区域推荐网络A-RPN，提高模型对裂纹缺陷的关注并抑制复杂背景及晶粒伪缺陷的特征。同时，在RPN 网络训练过程中，采用损失函数Focal loss，以此来降低训练过程中简单样本所占比重，使其更加关注难以区分的样本。实验结果表明，改进的算法使得EL 图像裂纹缺陷检测的准确率提高，达到接近95%。
多尺度特征提取 注意力模块 Focal loss 函数 multi-scale feature extraction attention module focal loss function
河北工业大学人工智能与数据科学学院, 天津 300130
为了同时检测本影与半影区域,提出并证明了阴影区域辐射的一致性属性。获取超像素区域轮廓内的点集合,将像素点集合(PCC)分为目标前景区域(目标PCC)和阴影区域(阴影PCC),利用所提出的基于区域生长的完整阴影检测与目标掩码增长算法,通过融合完整的阴影区域、完整的目标前景区域和ViBe掩码这三个部分,实现了前景目标掩码反向增长。在公开数据集中的实验结果表明,所提方法的阴影检测平均精度达到了82.5%,性能显著优于传统方法。目标掩码的平均增长率达到了8.84%,准确率达到了95%以上。
机器视觉 运动目标检测 移动阴影检测 区域生长
河北工业大学控制科学与工程学院, 天津 300130
针对经典视觉背景提取算法长时间存在鬼影、动态背景导致的高频噪声以及背景模型误更新等问题,提出一种改进的视觉背景提取算法。该算法将原始图像分割为若干个超像素区域，在超像素分割区域，对视觉背景提取算法检测结果进行像素点再分类，在目标检测的初始阶段实现鬼影信息的准确检测，并更新鬼影区域像素点的背景模型，从根本上解决了全局范围内鬼影检测的难题。根据运动目标的超像素对前景目标内的空洞进行快速纠正，实现前景目标的小范围填补，同时完成对背景超像素内高频噪声的检测和滤波，并增强检测结果的稳健性。利用数据集进行的测试实验结果表明，与传统算法相比较，该算法的精确率和识别率等指标均显著提高。
机器视觉 运动目标检测 视觉背景提取 鬼影消除 超像素 图像分割
1 河北工业大学 控制科学与工程学院，天津 300130
2 河北科技大学，河北 石家庄 050000
针对带钢表面缺陷检测实时性要求高，采集的图像易受光照环境影响且缺陷特征弱等因素影响，提出一种基于谱残差视觉注意模型的带钢表面缺陷在线检测算法。首先，提出改进同态滤波方法对图像预处理，去除光照不均匀的影响，改善后续的分割结果。 然后，构建谱残差视觉注意模型，通过对数频谱曲线差分得到缺陷显著图像。最后，提出加权马氏距离方法对显著图像阈值化增强，并利用连通区域标记法，标记出原带钢图像的缺陷位置。对提出的算法进行了实验验证，结果显示: 该算法检测速度快，单幅图像平均检测耗时仅37.6 ms，满足带钢在线实时检测要求。在同一缺陷数据库与灰度投影法，多尺度Gabor边缘检测法和隐马尔可夫树模型法进行了性能对比，结果表明: 本文算法对带钢常见8类缺陷类型，平均检测率达到了95.3%，且漏检率和误检率较低，有效性高于对比算法。
带钢 缺陷检测 视觉显著性 谱残差 同态滤波 加权马氏距离 steel strip defect detection visual saliency spectral residual homomorphic filter weighted Mahalanobis distance 光学 精密工程
2016, 24(10): 2572
