为了满足磁瓦生产工业对表面质量检测的高要求，实现磁瓦缺陷自动分割与识别，本文提出了一种基于卷积神经网络的缺陷分割与分类网络。该网络基于U-net架构，通过U-net编码部分提取缺陷的深层特征，并使用该深层特征进行缺陷分类，然后通过解码部分输出分割的缺陷区域。为了解决部分缺陷前景面积占比太小，导致网络难以收敛的问题，通过添加差异系数损失以保证网络持续优化。然后在训练阶段添加多层损失和进行在线数据增强进一步提升了分割精度和分类准确率。实验结果表明，添加辅助损失函数和数据增强后，分割网络能够分割出94.5%标注的缺陷区域，并且对于缺陷分类的准确率能够达到98.9%，满足工业生产的高精度要求。该方法能够精准有效地分割和识别磁瓦的表面缺陷，为磁瓦表面质量检测自动化行业提供了一种新的思路。

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。

基于卷积神经网络,提出了短切毡缺陷分类的方法。通过旋转、平移和翻转对数据集进行扩充,解决了小数据样本在深度卷积神经网络中的过拟合问题;利用迁移学习的思想加速网络收敛,提高了网络的泛化能力;对比了不同网络结构并选择较好的网络进行数据集验证。结果表明,所提方法能够实现短切毡缺陷的有效分类,准确率为93%。

针对焊缝微小凹陷、未熔合和焊偏等焊接缺陷, 提出了基于磁光成像无损探伤的小波多尺度边缘提取算法及主成分分析-误差反向传播神经网络(PCA-BP)缺陷分类模型; 研究了焊件表面及近表面缺陷的可视化无损检测及分类方法。首先, 通过对焊件施加感应磁场, 利用法拉第磁致旋光原理构成磁光传感器, 获取焊接缺陷磁光图像。然后, 针对焊接缺陷磁光图像存在噪声干扰、对比度低且成像背景复杂等特征, 基于小波模极大值的多尺度边缘信息融合方法, 设计了具有高抗噪性的缺陷边缘检测算法。最后, 通过PCA法对磁光图像列方向灰度变量进行预处理, 得到能表征95%磁光图像列方向灰度变量信息的256个特征点作为输入特征量, 构建了三层BP神经网络模型, 对焊接缺陷样本进行分类。试验结果表明, 所提方法能准确识别微小凹陷、未熔合和焊偏等焊接缺陷, 模型分类准确率可达90.80%。

将似然关系模型在描述和推理多属性类之间关系及其不确定性知识方面的优势用于预测软件缺陷, 提出了航天软件缺陷预测模型PRM_METHOD。首先, 提出了基于软件测试的软件缺陷分类方法, 以软件缺陷类关系为例分析了似然关系模型用于航天软件缺陷预测的理论依据; 然后, 在对人员能力、缺陷数量特征等数据进行定义和泛化等预处理的基础上, 描述了提出的预测模型PRM_METHOD, 详细阐述其结构、学习过程以及预测过程, 并针对数据集的分类操作提出了基于弥合数据缝隙的k-均值聚类方法。最后, 以某航天项目软件为例验证了模型PRM_METHOD的实现过程, 并以实际测试工作中产生的历史数据作为训练集和验证集进行实验验证。验证结果显示, 验证集的记录与预测结果的平均绝对偏差均值为0.086 8, 即模型的预测精度为0.913 2, 表明该模型对关联关系较为复杂的航天软件缺陷有较好的预测精度。