針對磁瓦表面孔洞和裂紋缺陷識別效率低、誤檢及漏檢率高等問題,提出基于深度學(xué)習(xí)的缺陷檢測識別方法。先將缺陷區(qū)與非缺陷區(qū)進(jìn)行分割,用整合型Unet提高分割精度,該模型在編碼部分使用Inception模塊,增強特征提取能力,在解碼部分引入注意力機制,提高缺陷區(qū)域關(guān)注度;后將分割的圖像與原圖進(jìn)行"與"運算,得缺陷灰度圖;最后構(gòu)建一個分類卷積神經(jīng)網(wǎng)絡(luò)對提取到的缺陷灰度圖進(jìn)行缺陷種類識別。結(jié)果表明:整合型Unet的分割性能強于Unet和Segnet,能有效分割缺陷,分類卷積神經(jīng)網(wǎng)絡(luò)對提取的缺陷區(qū)圖像識別準(zhǔn)確率達(dá)97.5%,滿足磁瓦表面孔洞和裂紋缺陷識別要求。 

【文章來源】：兵器材料科學(xué)與工程. 2020,43(06)北大核心CSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

Inception模塊對比

整合型Unet結(jié)構(gòu)

式中σ2為Sigmoid激活函數(shù)。最后，將低級特征矩陣xl與注意力權(quán)值矩陣α相乘可得新的輸出矩陣，由于訓(xùn)練后，目標(biāo)區(qū)權(quán)值更接近1，而非目標(biāo)的背景區(qū)域權(quán)值更小更接近0，因此輸出矩陣中的目標(biāo)區(qū)域值變大，而非目標(biāo)背景區(qū)值變小，進(jìn)而降低非目標(biāo)區(qū)干擾，提高分割精度。1.1.3 損失函數(shù)

【參考文獻(xiàn)】：
期刊論文
[1]改進(jìn)U-Net網(wǎng)絡(luò)的肺結(jié)節(jié)分割方法[J]. 鐘思華,郭興明,鄭伊能.  計算機工程與應(yīng)用. 2020(17)
[2]基于非下采樣Shearlet變換的磁瓦表面裂紋檢測[J]. 楊成立,殷鳴,蔣紅海,向召偉,殷國富.  農(nóng)業(yè)機械學(xué)報. 2017(03)
[3]基于紋理特征的磁瓦表面缺陷提取[J]. 劉國平,胡環(huán)星,胡瑢華.  現(xiàn)代制造工程. 2015(07)
[4]我國永磁鐵氧體產(chǎn)業(yè)發(fā)展現(xiàn)狀與前景[J]. 翁興園.  新材料產(chǎn)業(yè). 2013(04)

碩士論文
[1]基于機器視覺的鋼板表面缺陷識別研究[D]. 胡聯(lián)亭.武漢科技大學(xué) 2018
[2]基于機器視覺的磁瓦表面缺陷檢測系統(tǒng)[D]. 孫海濤.安徽工業(yè)大學(xué) 2016



本文編號：3369561