隨著信息技術(shù)的飛速發(fā)展,在實(shí)際的生產(chǎn)中,汽車(chē)輪轂鑄造缺陷的自動(dòng)檢測(cè)與定級(jí)有助于提高汽車(chē)輪轂生產(chǎn)的質(zhì)量和效率。本文主要研究了輪轂鑄造缺陷的目標(biāo)檢測(cè)和目標(biāo)分割技術(shù),降低輪轂缺陷檢測(cè)中的漏檢和過(guò)檢以及為缺陷定級(jí)。傳統(tǒng)的目標(biāo)檢測(cè)算法的準(zhǔn)確率依賴(lài)于人工調(diào)整參數(shù),并且漏檢率和過(guò)檢率都很高,無(wú)法滿足實(shí)際生產(chǎn)的需求。將基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（R-CNN）系列目標(biāo)檢測(cè)模型中更快的區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Faster R-CNN）模型應(yīng)用到輪轂缺陷的目標(biāo)檢測(cè)中,檢測(cè)結(jié)果的漏檢率和過(guò)檢率較低,且檢測(cè)時(shí)無(wú)需人工干預(yù)。針對(duì)輪轂缺陷的特點(diǎn),本文提出了新的錨框設(shè)置方案,采用了特征提取能力更強(qiáng)的基礎(chǔ)網(wǎng)絡(luò)和多卷積層的多尺度信息融合,實(shí)驗(yàn)證明改進(jìn)后的模型漏檢率更低。輪轂缺陷的目標(biāo)分割主要工作是提取到缺陷更精確的輪廓,計(jì)算缺陷面積和延展長(zhǎng)度等缺陷參數(shù)給缺陷定級(jí)。由于傳統(tǒng)的分割算法在復(fù)雜場(chǎng)景下分割效果不理想,本文使用全卷積網(wǎng)絡(luò)（Fully Convolutional Network,FCN）分割輪轂缺陷目標(biāo),利用更低層信息來(lái)輔助進(jìn)行上采樣的訓(xùn)練方法能得到更精確的分割結(jié)果,為進(jìn)一步提高分割效果,在Faster ... 

【文章來(lái)源】：華南理工大學(xué)廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：79 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

檢測(cè)中的輪轂示意圖

主要的操作步驟為：（1）待檢測(cè)輪轂進(jìn)入檢測(cè)區(qū)域，下位機(jī)自動(dòng)；（2）下位機(jī)將待檢測(cè)輪轂送入檢測(cè)區(qū)域，并自動(dòng)旋轉(zhuǎn)待檢測(cè)進(jìn)入 X 射線穿透的部位；（3）X 射線機(jī)產(chǎn)生 X 射線，X 射線穿透，照射到平板探測(cè)器上，通過(guò)平板探測(cè)器轉(zhuǎn)化為數(shù)字信號(hào)，并傳給位機(jī)實(shí)時(shí)顯示傳過(guò)來(lái)的數(shù)字圖像信號(hào)，通過(guò)人工檢測(cè)來(lái)判定輪轂果反饋給下位機(jī)，如果不合格的話需要記錄此輪轂的輪轂型號(hào)、缺面積及延展長(zhǎng)度等數(shù)據(jù)，這些數(shù)據(jù)被用來(lái)對(duì)缺陷定級(jí)以及分析造成造工藝參數(shù)；（5）下位機(jī)根據(jù)反饋的檢測(cè)結(jié)果控制此輪轂進(jìn)入合區(qū)。而輪轂生產(chǎn)的半自動(dòng)檢測(cè)方式主要有以下缺點(diǎn)：（1）容易受觀因素影響，檢測(cè)標(biāo)準(zhǔn)可能不統(tǒng)一，檢測(cè)結(jié)果也不穩(wěn)定；（2）檢觀察下容易出現(xiàn)視覺(jué)疲勞，造成檢測(cè)結(jié)果準(zhǔn)確率下降；（3）人工，檢測(cè)人員需要觀察 X 射線圖像的每個(gè)部位，檢測(cè)時(shí)間受檢測(cè)人的直接影響。

第一章 緒論對(duì)兩次分割的差值圖像進(jìn)行邊緣檢測(cè)，提取出輪轂缺陷。吳煒?lè)逶诤卧倥d的“山峰”定位法[21]的基礎(chǔ)上提出了一種線性掃描的缺陷檢測(cè)方法[25]，實(shí)現(xiàn)了對(duì)缺陷的定位和缺陷輪廓的提取。上文提到的缺陷檢測(cè)方法都有各自的優(yōu)點(diǎn)和缺點(diǎn)，但是都難以完全滿足實(shí)際生產(chǎn)環(huán)境中輪轂缺陷的檢測(cè)需求。上文算法和研究主要的問(wèn)題有：（1）計(jì)算復(fù)雜度過(guò)高，無(wú)法滿足實(shí)際的檢測(cè)速度要求；（2）算法的通用性較差，無(wú)法同時(shí)兼顧多種型號(hào)輪轂和多種類(lèi)別的缺陷；（3）某些算法受參數(shù)影響太大，在檢測(cè)中需要根據(jù)不同的情況反復(fù)修正參數(shù)；（4）對(duì)于某些結(jié)構(gòu)復(fù)雜和背景復(fù)雜的缺陷，識(shí)別準(zhǔn)確率不高。


本文編號(hào)：3291850