《表2 基于深度学习的缺陷检测方法》
进一步观察X射线、改进的Gabor滤波、电磁阵列、微波等缺陷检测技术的实验结果可以发现,电池声学检测技术对具有强干扰能力的缺陷具有较好的检测能力,而改进的Gabor滤波器技术[49]对钢材料的划痕、孔洞、氧化皮、麻点擦伤、边裂、结疤等缺陷的平均检测速度可达91.80 ms/帧,表面缺陷检测的平均准确率为95.80%,可以看出,该方法对缺陷检测的识别准确率较高,但该方法只能检测出产品表面的缺陷,不能检测出产品内部的缺陷问题.而X射线检测技术对缺陷边缘检测具有较好的识别效果.除了上述从超声波、滤波、机器视觉对制造产品进行缺陷检测外,也有相关的研究者尝试采用其他不同的技术对制造产品进行缺陷检测,如:采用振动信号与主成分分析相结合的方法、光电耦合器识别方法、剪切波和小波技术融合的方法等,这些方法具有很强的理论性,同时也获得了较好的检测效果,这些研究可为以后的制造产品缺陷检测提供理论和实践上的指导和参考.纵观表2可以发现,早期的大多数工作从产品的材料、形状、大小、颜色、表面和亚表面缺陷等单一的问题进行研究,各个研究方法各有其突出点,但没有形成一套系统的、全方位的缺陷检测体系,这也是目前研究中的一个难点.
图表编号 | XD00202896400 严禁用于非法目的 |
---|---|
绘制时间 | 2020.11.01 |
作者 | 李少波、杨静、王铮、朱书德、杨观赐 |
绘制单位 | 贵州大学机械工程学院、贵州大学现代制造技术教育部重点实验室、贵州大学省部共建公共大数据重点实验室、贵州大学机械工程学院、贵州大学省部共建公共大数据重点实验室、贵州大学机械工程学院、贵州大学机械工程学院、贵州大学现代制造技术教育部重点实验室 |
更多格式 | 高清、无水印(增值服务) |