Author Affiliations
Abstract
1 Anhui Province Key Laboratory of Measuring Theory and Precision Instrument, School of Instrument Science and Opto-electronic Engineering, Hefei University of Technology, Hefei 230009, China
2 Key Laboratory of High Power Laser and Physics, Shanghai Institute of Optics and Fine Mechanics, Chinese Academy of Sciences, Shanghai 201800, China
Fabrication of high-quality optics puts a strong demand on high-throughput detection of macroscopic bulk defects in optical components. A dark-field line confocal imaging method is proposed with two distinct advantages: (i) a point-to-line confocal scheme formed by a columnar elliptical mirror and an optical fiber bundle breaks through the constraint on light collection angle and field of view in the traditional line confocal microscopy using an objective, allowing for an extended confocal line field of more than 100 mm while maintaining a light collection angle of 27°; (ii) the bulk defects are independently illuminated as a function of time to eliminate the cross talk in the direction of the confocal slit, thus preserving point confocality and showing the optical section thicknesses to be 162 µm in the axial direction, and 19 and 22 µm in the orthogonal transverse directions. The experimental results verify that the method has a minimum detectable bulk defect of less than 5 µm and an imaging efficiency of . The method shows great potential in high-throughput and high-sensitivity bulk defects detection.
line confocal imaging dark-field imaging bulk defects detection Chinese Optics Letters
2023, 21(4): 041203
1 浙江大学 机械工程学院,浙江 杭州 310027
2 浙江西子势必锐航空工业有限公司,浙江 杭州 310018
为提高复合材料铺放质量,辅助现场人员快速对缺陷进行检测,提出一种基于Transformer的复合材料多源图像实时实例分割网络Trans-Yolact,用来对复合材料缺陷进行检测、分类、分割。在Yolact网络框架基础上,针对复合材料缺陷特点,从空间域与通道域两个维度,增强网络对复合材料缺陷的检测能力。在空间域上,常规卷积核具有空间尺度的局限性,对狭长形、大尺寸缺陷的检测效果不佳。因此,采用CNN+Transformer架构的BoTNet作为基础主干网络;同时将Transformer引入Yolact网络的FPN结构中,增强网络从非局部空间中获取信息的能力。在通道域上,采用红外与可见光联立的检测方式,并改进主干网络浅层结构,将其分为可见光通道、红外通道、混合通道,混合通道中引入通道域注意力机制,进一步增强网络对红外与可见光图像的综合判断能力。实验结果表明:改进后Trans-Yolact对复合材料缺陷mAP为88.0%,较基准Yolact网络提高5.5%,缺丝、扭转等狭长形缺陷AP提高15.2%、5.1%,包含部分大尺寸缺陷的异物类缺陷AP提高9.1%。最终对Trans-Yolact网络进行结构化剪枝,剪枝后较基准Yolact网络减少26.5%的计算量(FLOPs)、减少44.7%的参数量;检测帧数提高58%,达到57.67 fps。并在大型龙门复合材料自动铺放设备上进行在线测试,可以满足生产过程最大铺放速度1.2 m/s下,复合材料缺陷的实时检测分割。
缺陷检测 多光谱融合 纤维自动铺放 深度学习 实例分割 defects detection multi-spectrum fusion automatic fiber placement deep learning instance segmentation 红外与激光工程
2023, 52(2): 20220338
1 山西大学物理电子工程学院,山西 太原 030006
2 太原理工大学航空航天学院,山西 太原 030006
光纤是现代通信系统及量子保密通信网中不可或缺的传输介质。针对光纤端面缺陷对光传输系统造成传输质量下降甚至永久性损伤的问题,提出了一种改进YOLOv5算法的光纤端面检测模型YOLOv5_CS。该模型首先将轻量化网络ShuffleNetV2作为主干特征提取网络,利用深度卷积操作以及通道随机混合策略,缩减模型容量,丰富特征信息;随后引入卷积注意力机制(CBAM),同时在空间维度和通道维度上进行特征增强,提升网络性能;最后缩减特征融合层的卷积核数量,实现进一步的模型压缩,并利用数据增广技术构建的光纤端面数据集,对所提方法的有效性进行对比验证。结果表明,与YOLOv5算法相比,所提模型的模型容量压缩了80%,检测速度提升了31.1 frame/s,均值平均精度(mAP)提高了1.7%,能够较为准确以及实时地检测光纤端面缺陷。此项工作面向便携式智能检测装置的研制,可为光纤端面缺陷检测及相关视觉传感产业提供技术支持。
机器视觉 光纤端面缺陷检测 目标检测 深度学习 轻量化网络 激光与光电子学进展
2022, 59(24): 2415006
1 哈尔滨商业大学轻工学院, 黑龙江 哈尔滨 150028
2 哈尔滨工业大学航天学院, 黑龙江 哈尔滨 150001
3 黑龙江科技大学机械工程学院, 黑龙江 哈尔滨 150022
作为光伏电站的主要组成部分,光伏电池中存在隐裂、划痕、热点和断栅等缺陷,这些缺陷影响着电池的性能和电站的运行状况,因此开展光伏电池的缺陷检测是至关重要的。建立脉冲电致红外热成像(PEIT)实验系统,使用该系统开展含有不同类型缺陷的光伏电池的检测实验并采集红外热图像序列。采用线性判别分析(LDA)和二次判别分析(QDA)两种监督学习算法来处理热图像序列,并与主成分分析(PCA)和多项式拟合相关系数(FCC)两种传统处理算法进行比较。实验结果表明,PEIT算法可以对光伏电池的缺陷进行有效检测,QDA算法在信噪比、信息熵和均方误差三个指标上均优于LDA、PCA和FCC算法,可以实现对光伏电池各类缺陷的有效识别。
成像系统 脉冲电致红外热成像 光伏电池缺陷 监督学习 缺陷检测
1 河北工业大学 机械工程学院,天津 300130
2 天津中德应用技术大学 能源工程学院,天津 300350
3 天津职业技术师范大学 机械工程学院,天津 300222
针对目前热电池内部装配缺陷检测效率低、准确度不高的问题,研究了一种可精准分割内部电池堆图像并能够准确识别缺陷种类的方法。首先采用水平、垂直积分投影法对目标电池堆边缘特征进行提取,利用局部自适应对比度增强算法对局部不清晰部分进行细节纹理增强;然后研究了缺陷结构的灰度特性,计算提取出缺陷特征参数;最后使用BP(back propagation)神经网络和CART(classification and regression tree)决策树对特征参数分类识别,并根据分类准确度进行权重分配,将加权融合后的结果作为检测的最终判据。实验结果表明:该方法对2 000个样本的检测准确度达98.9%,为热电池的X射线缺陷检测提供了有效的途径。
热电池 图像分析 缺陷检测 积分投影 thermal battery image analysis defects detection integral projection
1 海军工程大学 信息安全系,湖北 武汉 430033
2 武汉理工大学 自动化学院,湖北 武汉 430070
3 合肥小步智能科技有限公司,安徽 合肥 230011
表面缺陷对轴承的性能和寿命存在严重影响。近年来,深度学习在缺陷检测中发挥了重要的作用,然而对于轴承检测而言,缺陷样本的采集耗时耗力。选择轴承内径作为研究对象,根据轴承的对称性特性提出一种规范化样本拆分方法,可有效扩充轴承样本数据集。分别采用不同的样本处理方法,而后利用ResNet网络训练轴承缺陷检测模型,进行多组对比实验,实验结果表明:直接采用原始图像进行网络训练,检测效果较差,模型的AUC (area under the curve)仅为0.558 0;对原始图像进行样本拆分,训练出的模型检测效果有所提升,其模型AUC提升为0.632 6;将原始图像进行4点透视变换校正后再进行网络训练,检测效果同样有所提升,其模型AUC提升为0.661 3;将原始图像进行透视变换校正且规范化样本拆分后,检测效果最好,其模型AUC增加为0.849 6。
ResNet网络 透视变换 缺陷检测 规范化 ResNet network perspective transformation defects detection standardization