【摘要】：在質(zhì)量控制中,表面缺陷檢測作為一種重要的技術(shù)手段保證著生產(chǎn)質(zhì)量。由于生產(chǎn)需求和生產(chǎn)技術(shù)的提升,大多數(shù)傳統(tǒng)的缺陷檢測技術(shù)已無法滿足生產(chǎn)要求。本文中,提出一種顯著性檢測和深度學(xué)習(xí)相結(jié)合的產(chǎn)品表面缺陷檢測算法。該方法有效率高、檢測速度快、通用性強的優(yōu)點,對于小樣本有好的效果,并且有通用快速的優(yōu)勢。本文主要研究目標為產(chǎn)品表面的缺陷檢測,傳統(tǒng)基于模式的缺陷檢測方法周期長,通用性較差。隨著深度學(xué)習(xí)的發(fā)展,卷積神經(jīng)網(wǎng)絡(luò)開始被應(yīng)用于檢測和分類,由于缺陷樣本的稀缺,無法提供大量的數(shù)據(jù)以供學(xué)習(xí)訓(xùn)練,并且缺陷產(chǎn)生的未知性導(dǎo)致標簽未知。為了解決這些不足,文章使用顯著性檢測,可以快速將圖像中的缺陷檢出,但是得到的結(jié)果是真實缺陷和偽缺陷的集合,因此需要對真?zhèn)稳毕葸M行分類。由于缺陷的樣本稀缺和未知性,本文研究一種相似度判別模型取代傳統(tǒng)的分類模型。模型的訓(xùn)練采用對圖輸入,可以擴大訓(xùn)練集,解決樣本稀缺的問題。文章選用孿生卷積網(wǎng)絡(luò)作為相似度判別模型,卷積神經(jīng)網(wǎng)絡(luò)作為其中的映射函數(shù)完成圖像特征自提取,這種方法能夠很好的解決小樣本訓(xùn)練的問題,并且弱化了類別標簽,無需知道真實缺陷的具體類別。在驗證階段,測試集分為兩個部分:涂裝和印刷產(chǎn)品表面圖像與DAGM2007數(shù)據(jù)集。將本文的方法與基于模式的方法和基于分類的方法進行比較,測試結(jié)果表明了文章方法的檢測效果較好。本文提出顯著性方法和深度學(xué)習(xí)相結(jié)合的新方法,以涂裝產(chǎn)品和印刷產(chǎn)品為測試對象進行研究。該方法思路不僅可以應(yīng)用到二維圖像缺陷檢測,可以拓展到三維物體圖像的缺陷檢測和異常檢測的任務(wù)�？梢宰鳛橐环N缺陷檢測領(lǐng)域的新方法。
【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;TB114.2
【圖文】：

（a） （b） （c） （d）圖 2.1 缺陷常見的類型際生產(chǎn)過程中，缺陷的類型多種多樣，不管是哪種缺陷，對產(chǎn)品的質(zhì)量，藝都產(chǎn)生了很大的影響。缺陷產(chǎn)生的原因有很多，無法預(yù)測缺陷的產(chǎn)生。缺和小概率產(chǎn)生的特性，這些都使得對缺陷的描述變得困難。基于人工的缺陷資源的消耗巨大，尋找一種智能化的缺陷檢測方法變得極其重要。讓機器找到缺陷，就必須要對缺陷進行描述。傳統(tǒng)的方法離不開圖像的特分類這一系列的操作，但是實際生產(chǎn)中，缺陷的產(chǎn)生往往是隨機性的，每次具體的應(yīng)用去選擇合適特定的缺陷提取方法。這樣繁瑣的工作往往使研發(fā)周長，無法得到一個普適性的算法。情況下，缺陷是集中在圖像中的一小部分突出的位置，也就是顯著性區(qū)域快速準確的提取圖像的顯著性區(qū)域，也就能實現(xiàn)缺陷檢測的快速進行。本文，將顯著性檢測與相似度學(xué)習(xí)相結(jié)合，將缺陷檢測分為兩個階段，預(yù)檢測和去終能得到比較好的效果。真實缺陷與偽缺陷

（a）背景紋理對檢測的干擾 （b）允許范圍內(nèi)的頻繁檢出圖 2.2 產(chǎn)品顯著性檢測效果1，對于系統(tǒng)偽缺陷與偶然偽缺陷做一個比較。表 2.1 系統(tǒng)偽缺陷與偶然偽缺陷系統(tǒng)偽缺陷 偶然偽缺陷信息，輪廓信息，紋理信息條件下，重復(fù)大量產(chǎn)生1.偶然產(chǎn)生，具有隨機性2.在實際應(yīng)用允許范圍內(nèi)缺陷來說，它的產(chǎn)生是一種小概率事件，由于生產(chǎn)環(huán)境的突變，，或者是某一個環(huán)節(jié)出現(xiàn)了問題。真實缺陷產(chǎn)生原因的未知性，導(dǎo)征難以被完全界定。而無法獲得足夠的樣本以及類別的未知性使得行分類的方法很難得到廣泛應(yīng)用。但是真實缺陷對產(chǎn)品的質(zhì)量影響方法檢測出并對質(zhì)量進行控制。顯著性檢測過程中產(chǎn)生的誤檢缺陷區(qū)域，偽缺陷的誤檢對找出真擾，所以缺陷去偽是很重要的一步。為了解決小樣本和類別未知的相似度學(xué)習(xí)方法。

圖 2.3 視覺檢測系統(tǒng)的結(jié)構(gòu)原理圖品在傳動帶上自動送料，通過設(shè)備后獲取工件表面圖像，輸入到圖像處理采集到的圖像進行顯著性檢測，得到疑似缺陷的位置，利用相似度學(xué)習(xí)對大量誤報的偽缺陷剔除，得到真實缺陷的位置，實現(xiàn)生產(chǎn)線上的質(zhì)量控制總體方案設(shè)計了解決缺陷檢測的問題，本文提出一種分兩步走的缺陷檢測方法，主要分去偽階段，算法的整體流程如圖 2.4。待檢測圖像疑似缺陷區(qū)域偽缺陷樣本類別1圖像1顯著性檢測類別i 。。。類別n圖像2Cnn Cnn網(wǎng)絡(luò)結(jié)

【參考文獻】

相關(guān)期刊論文 前8條

1 熊建平;;基于計算機視覺的墻地磚表面缺陷檢測[J];電子測量技術(shù);2015年05期

2 杜永忠;平雪良;何佳唯;;圣女果表面缺陷檢測與分級系統(tǒng)研究[J];農(nóng)業(yè)機械學(xué)報;2013年S1期

3 郭永彩;鄧細鳳;高潮;;基于主成分分析的表面缺陷自動檢測算法[J];計算機工程;2013年02期

4 吳家偉;嚴京旗;方志宏;夏勇;陸敏健;;基于圖像顯著性特征的鑄坯表面缺陷檢測[J];智能系統(tǒng)學(xué)報;2012年01期

5 王志瑞;閆彩良;;圖像特征提取方法的綜述[J];吉首大學(xué)學(xué)報(自然科學(xué)版);2011年05期

6 李麗娟;徐尚龍;秦杰;;基于圖像處理技術(shù)的五金件表面缺陷檢測研究[J];工程設(shè)計學(xué)報;2011年02期

7 楊東林;于正林;;軸承鋼球表面缺陷的快速檢測方法[J];兵工學(xué)報;2009年06期

8 李恩玉;楊平先;孫興波;;基于激活函數(shù)四參可調(diào)的BP神經(jīng)網(wǎng)絡(luò)改進算法[J];微電子學(xué)與計算機;2008年11期

相關(guān)博士學(xué)位論文 前2條

1 陳躍;帶鋼表面缺陷圖像檢測理論及識別算法研究[D];中國礦業(yè)大學(xué);2014年

2 戴金波;基于視覺信息的圖像特征提取算法研究[D];吉林大學(xué);2013年

本文編號：2794990