軸是機(jī)械行業(yè)特別重要的零部件,其應(yīng)用很廣泛,幾乎所有機(jī)械設(shè)備的組成都離不開軸,軸的加工質(zhì)量和精度直接影響機(jī)械設(shè)備的使用性能和壽命。軸在加工生產(chǎn)的過程中可能由于加工失誤、本身材質(zhì)等原因產(chǎn)生不同缺陷。通常為了節(jié)約成本,軸加工廠商需要對不同缺陷的軸進(jìn)行不同的回收處理,因此對于軸缺陷的檢測和分類具有重要的意義和工程應(yīng)用價值,然而傳統(tǒng)的缺陷檢測方法都存在識別準(zhǔn)確率低,缺少泛化能力等缺點(diǎn)。本論文研究的基于深度學(xué)習(xí)的檢測和分類系統(tǒng)能實(shí)現(xiàn)對金屬軸表面缺陷的高效識別并且做到高精度分類和定位。具體研究內(nèi)容及成果如下:(1)軸缺陷數(shù)據(jù)預(yù)處理系統(tǒng)軟件的設(shè)計,針對軸的結(jié)構(gòu)特點(diǎn),采用工業(yè)CCD線掃描相機(jī)獲取軸圖像,基于opencv設(shè)計軸缺陷數(shù)據(jù)獲取和預(yù)處理算法,包括軸缺陷圖像灰度化模塊、去噪模塊、邊緣檢測模塊、缺陷圖像數(shù)據(jù)增強(qiáng)模塊、多線程處理模塊等。(2)對傳統(tǒng)的目標(biāo)檢測算法以及深度學(xué)習(xí)目標(biāo)檢測方法進(jìn)行分析研究,選擇Faster R-CNN作為深度學(xué)習(xí)目標(biāo)檢測模型,并對傳統(tǒng)Faster R-CNN結(jié)構(gòu)進(jìn)行改變,通過實(shí)驗(yàn)進(jìn)行性能的對比,并且對訓(xùn)練方法和訓(xùn)練參數(shù)進(jìn)行選擇。(3)設(shè)計并搭建視覺檢測平臺,對金屬軸表面缺陷檢測平臺的結(jié)構(gòu)和布局進(jìn)行設(shè)計;基于STM32單片機(jī)設(shè)計檢測平臺底層控制系統(tǒng),包括對金屬軸旋轉(zhuǎn)模塊、照明模塊、通信模塊的電路及控制方法進(jìn)行設(shè)計;基于QT對上位機(jī)界面進(jìn)行設(shè)計,通過上位機(jī)串口通信向下位機(jī)發(fā)送指令進(jìn)行控制。(4)制作金屬軸表面缺陷數(shù)據(jù)集,總共包含4萬張圖片數(shù)據(jù),凹坑、劃痕、磨損、缺口各一萬張,并且按照訓(xùn)練集、驗(yàn)證集、測試集進(jìn)行劃分;基于Tensorflow深度學(xué)習(xí)框架搭建Faster R-CNN目標(biāo)檢測模型,通過獲取的數(shù)據(jù)集進(jìn)行模型的訓(xùn)練和調(diào)優(yōu),并對不同結(jié)構(gòu)的Faster R-CNN對缺陷的識別能力以及檢測速度進(jìn)行比較并作誤差來源分析,驗(yàn)證了金屬軸表面缺陷檢測與分類系統(tǒng)的正確性、有效性和可靠性。本論文設(shè)計了一種基于深度學(xué)習(xí)方法的金屬軸表面缺陷檢測系統(tǒng),能有效的對本項(xiàng)目中各類軸缺陷進(jìn)行定位和識別,最終的準(zhǔn)確率可達(dá)到94%~96%左右,并且識別速度可以達(dá)到5s以內(nèi),相比于傳統(tǒng)的檢測方法在識別精度和泛化能力上都有較大的提升,但在速度上還未達(dá)到理想的水準(zhǔn),未來可在軟件和硬件上作進(jìn)一步提升。
【學(xué)位單位】：浙江工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP391.41;TP183;TH133.2
【部分圖文】：

圖 2-10 金屬軸表面缺陷圖像數(shù)據(jù)增強(qiáng)模型效果圖 多線程圖像處理線程是進(jìn)程中的一個實(shí)體，是被系統(tǒng)獨(dú)立調(diào)度和分配的基本單位，一個線程可撤銷另一個線程，同一個進(jìn)程中的多個線程之間可以并發(fā)執(zhí)行。多線程是指從硬件上實(shí)現(xiàn)多個線程并發(fā)執(zhí)行的技術(shù)。具有多線程能力的計算機(jī)因有硬件支持同一時間執(zhí)行多于一個線程，進(jìn)而提升整體處理性能。在一個程序中，這些獨(dú)程序片段叫作線程，利用它編程的概念就叫作多線程處理。具有多線程能力的有硬件支持而能夠在同一時間執(zhí)行多于一個線程，進(jìn)而提升整體處理性能[38]。圖像處理的過程就是矩陣的運(yùn)算，而矩陣運(yùn)算的復(fù)雜度很高，運(yùn)算成本非常高對于本文中的金屬軸缺陷數(shù)據(jù)量非常龐大，達(dá)到了上萬張的水平，如果通過單圖像的處理運(yùn)算，將會耗去大量的時間，為了縮短開發(fā)周期，將采用多線程編去處理圖像。多線程圖像處理示偽代碼如下所示，由粗篩選得到的金屬軸表面集合將分配給不同的線程進(jìn)行預(yù)處理和生成（生成步驟只在初始數(shù)據(jù)集增強(qiáng)

深度代表的是圖像色彩通道，對于黑白圖圖片來說有三個通道，所以深度為 3。卷積神，將圖片信息有效的傳遞和保留到最后一層經(jīng)網(wǎng)絡(luò)的核心部分，其作用是對圖像的每一小的特征，通過卷積層之后節(jié)點(diǎn)會變得更加的深積核將當(dāng)前層的一個子節(jié)點(diǎn)矩陣轉(zhuǎn)化為下一積層中卷積核的尺寸都是由人工指定的，常卷積核的前向傳播過程就是用過左側(cè)的小矩陣程。同時卷積核采用的是共享機(jī)制，也就是說樣的，同一個卷積核以固定的步長在輸入矩陣置的影響，共享卷積核的參數(shù)量只和卷積核本，可以大幅度的縮減神經(jīng)網(wǎng)絡(luò)的參數(shù)，這也就圖像數(shù)據(jù)上。

圖 3-3 Faster R-CNN 卷積層共享機(jī)制示意圖[43]結(jié)構(gòu)設(shè)計網(wǎng)絡(luò)[43]和分類網(wǎng)絡(luò)之間共享了卷積層來提取卷積度卷積神經(jīng)網(wǎng)絡(luò)，不同的卷積神經(jīng)網(wǎng)絡(luò)其特征提可以對圖片信息做較好的保留和傳遞，同時可以升。Faster R-CNN 原論文里使用的是 ZFNet，在夠達(dá)到效果，但是金屬軸表面缺陷檢測過程中，后果，若有缺陷的金屬軸流向市面這會使機(jī)器具比較高的準(zhǔn)確率。為了保證模型的正確率，以下絡(luò)包括 ZFNet、VGGNet、ResNet，并根據(jù)不同卷比。Net[44]特征提取網(wǎng)絡(luò)lexNet 進(jìn)行改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)，其獲得了 2013軍，取在 top-5 上的錯誤率為 11.2%，相比于 Ale

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 周杭超;董晨晨;陳鋒;程力;吳淳杰;翁海舟;;鋼球表面缺陷檢測方法綜述[J];裝備制造技術(shù);2018年10期

2 王方;王炎;;基于圖像的圣女果表面缺陷檢測[J];計算機(jī)仿真;2014年02期

3 錢曉亮;張鶴慶;陳永信;曾黎;刁智華;劉玉翠;楊存祥;;基于機(jī)器視覺的太陽能電池片表面缺陷檢測研究現(xiàn)狀及展望[J];北京工業(yè)大學(xué)學(xué)報;2017年01期

4 ;水果表面缺陷檢測法獲得專利授權(quán)[J];食品工業(yè);2015年03期

5 王書志;張建華;馮全;;四種成像技術(shù)在水果表面缺陷檢測的應(yīng)用[J];中國農(nóng)機(jī)化;2009年06期

6 陳嵐萍;劉寒寒;封曉鳴;;基于水平集的不規(guī)則透明表面缺陷檢測設(shè)計[J];測控技術(shù);2017年02期

7 吳曉鵬;林介邦;唐輝;鐘園園;羅祥英;;基于機(jī)器視覺的鑄坯表面缺陷檢測系統(tǒng)的研制[J];武鋼技術(shù);2010年01期

8 陳國君;陳鵬;張學(xué)軍;;基于計算機(jī)視覺的軸承表面缺陷檢測[J];煤礦機(jī)械;2009年02期

9 韓虎;湯永升;;表面缺陷檢測系統(tǒng)在冷軋廠的應(yīng)用[J];梅山科技;2013年01期

10 梁爽;何永輝;彭鐵根;;高溫環(huán)境下表面缺陷檢測系統(tǒng)的熱防護(hù)研究[J];寶鋼技術(shù);2012年04期

相關(guān)會議論文 前10條

1 郭子建;韓斐;鐘洪平;;特種紙表面缺陷檢測的多解決方案[A];2015全國特種紙技術(shù)交流會暨特種紙委員會第十屆年會論文集[C];2015年

2 韓立強(qiáng);;基于圖像分割技術(shù)的汽車發(fā)動機(jī)缸體表面缺陷檢測[A];面向21世紀(jì)的科技進(jìn)步與社會經(jīng)濟(jì)發(fā)展（下冊）[C];1999年

3 張鳳全;高娜;于明;趙曉安;張慧娟;;圖像處理在物體表面缺陷檢測中的應(yīng)用[A];圖像圖形技術(shù)與應(yīng)用進(jìn)展——第三屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會議論文集[C];2008年

4 郭慶華;田陸;袁英宏;黃郁君;;嵌入式系統(tǒng)在鋼板表面缺陷檢測中的應(yīng)用[A];2012第四屆先進(jìn)軋鋼精整及鋼材包裝技術(shù)學(xué)術(shù)研討會文集[C];2012年

5 郭慶華;田陸;袁英宏;黃郁君;;嵌入式系統(tǒng)在鋼板表面缺陷檢測中的應(yīng)用[A];2012年全國軋鋼生產(chǎn)技術(shù)會論文集（下）[C];2012年

6 ;CCD技術(shù)在特紙上的最新應(yīng)用[A];2017全國特種紙技術(shù)交流會暨特種紙委員會第十二屆年會論文集[C];2017年

7 劉哲;郭中豪;楊子鵬;;鋼板表面缺陷檢測與控制系統(tǒng)設(shè)計[A];天津市電視技術(shù)研究會2015年年會論文集[C];2015年

8 康慧;齊鐵城;;薄壁異形件表面缺陷檢測系統(tǒng)的研制[A];中國核科學(xué)技術(shù)進(jìn)展報告（第四卷）——中國核學(xué)會2015年學(xué)術(shù)年會論文集第8冊（同位素分卷、輻射研究與應(yīng)用分卷、核技術(shù)工業(yè)應(yīng)用分卷、核農(nóng)學(xué)分卷、核醫(yī)學(xué)分卷、核情報分卷）[C];2015年

9 郭慶華;劉海霞;宋麗梅;習(xí)江濤;;顯微鏡鏡頭的圓弧表面缺陷檢測[A];2015光學(xué)精密工程論壇論文集[C];2015年

10 夏需堂;吳海濱;;基于線陣CCD的車輪表面缺陷檢測系統(tǒng)的圖像預(yù)處理研究[A];安徽省光學(xué)學(xué)會2010年激光年會論文摘要集[C];2010年

相關(guān)重要報紙文章 前1條

1 ;達(dá)涅利表面缺陷檢測解決方案[N];世界金屬導(dǎo)報;2019年

相關(guān)博士學(xué)位論文 前6條

1 程萬勝;鋼板表面缺陷檢測技術(shù)的研究[D];哈爾濱工業(yè)大學(xué);2008年

2 王世通;精密表面缺陷檢測散射成像理論建模及系統(tǒng)分析研究[D];浙江大學(xué);2015年

3 梁列全;基于稀疏特征的觸摸屏圖像缺陷檢測及識別方法的研究[D];華南理工大學(xué);2015年

4 叢家慧;引入人類視覺特性的帶鋼表面缺陷檢測與識別方法研究[D];東北大學(xué);2010年

5 儲茂祥;鋼板表面缺陷檢測關(guān)鍵技術(shù)研究[D];東北大學(xué);2014年

6 趙立明;基于激光掃描成像與異源CCD融合的連鑄熱坯表面缺陷檢測方法研究[D];重慶大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 孫夢鴿;基于密集生成對抗網(wǎng)絡(luò)的磁瓦表面缺陷檢測算法研究[D];浙江大學(xué);2019年

2 蔡超鵬;基于深度學(xué)習(xí)的金屬軸表面缺陷檢測與分類研究[D];浙江工業(yè)大學(xué);2019年

3 陳志浩;基于深度學(xué)習(xí)的磁片表面缺陷檢測研究[D];浙江工業(yè)大學(xué);2018年

4 董百川;基于機(jī)器視覺的鋼球表面缺陷檢測算法[D];哈爾濱理工大學(xué);2018年

5 李曉梅;基于圖像處理的鋼軌表面缺陷檢測與定位研究[D];蘭州交通大學(xué);2018年

6 張浩;基于深度學(xué)習(xí)的表面缺陷檢測方法研究[D];蘇州大學(xué);2018年

7 黃炳強(qiáng);基于機(jī)器視覺的長竹條表面缺陷檢測及顏色分類研究[D];廣西師范大學(xué);2018年

8 張斌洪;紋理背景中的表面缺陷檢測算法研究[D];暨南大學(xué);2018年

9 于志洋;基于全卷積神經(jīng)網(wǎng)絡(luò)的表面缺陷檢測方法研究[D];哈爾濱工業(yè)大學(xué);2018年

10 王立中;基于深度學(xué)習(xí)的帶鋼表面缺陷檢測[D];西安工程大學(xué);2018年

本文編號：2832295