目的針對目前工業(yè)自動(dòng)化生產(chǎn)中基于人工特征提取的包裝缺陷檢測方法復(fù)雜、專業(yè)知識(shí)要求高、通用性差、在多目標(biāo)和復(fù)雜背景下難以應(yīng)用等問題,研究基于深度學(xué)習(xí)的實(shí)時(shí)包裝缺陷檢測方法。方法在樣本數(shù)據(jù)較少的情況下,提出一種基于深度學(xué)習(xí)的Inception-V3圖像分類算法和YOLO-V3目標(biāo)檢測算法相結(jié)合的缺陷檢測方法,并設(shè)計(jì)完整的基于計(jì)算機(jī)視覺的在線包裝缺陷檢測系統(tǒng)。結(jié)果實(shí)驗(yàn)結(jié)果顯示,該方法的識(shí)別準(zhǔn)確率為99.49%,方差為0.000 050 6,只使用Inception-V3算法的準(zhǔn)確率為97.70%,方差為0.000 251。結(jié)論相比一般基于人工特征提取的包裝缺陷檢測方法,避免了復(fù)雜的特征提取過程。相比只應(yīng)用圖像分類算法進(jìn)行包裝缺陷檢測,該方法在包裝缺陷區(qū)域占比較小的情況下能較明顯地提高包裝缺陷檢測精度和穩(wěn)定性,在復(fù)雜檢測背景和多目標(biāo)場景中體現(xiàn)優(yōu)勢。該缺陷檢測系統(tǒng)和檢測方法可以很容易地遷移到其他類似在線檢測問題上。

【文章頁數(shù)】：10 頁

【文章目錄】：
1 系統(tǒng)結(jié)構(gòu)
2 包裝缺陷檢測理論
    2.1 YOLO-V3缺陷區(qū)域檢測
        2.1.1 缺陷檢測網(wǎng)絡(luò)結(jié)構(gòu)
        2.1.2 缺陷區(qū)域檢測原理
    2.2 Inception-V3缺陷識(shí)別
        2.2.1 缺陷識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)
        2.2.2 網(wǎng)絡(luò)修改和遷移學(xué)習(xí)
3 缺陷檢測實(shí)例
    3.1 數(shù)據(jù)集構(gòu)建
        3.1.1 數(shù)據(jù)采集和增強(qiáng)
        3.1.2 數(shù)據(jù)集組成
    3.2 模型訓(xùn)練
        3.2.1 YOLO-V3模型訓(xùn)練
        3.2.2 Inception-V3遷移學(xué)習(xí)
4 模型部署
    4.1 TensorFlow Serving服務(wù)
    4.2 采集端硬件和信息接收端
5 結(jié)語



本文編號(hào)：3743982