金屬材料表面瑕疵會(huì)嚴(yán)重影響產(chǎn)品的質(zhì)量、安全性、使用性和美觀性,因此,在實(shí)際生產(chǎn)中將有問題的材料識(shí)別出來是至關(guān)重要的。傳統(tǒng)的人工識(shí)別和基于圖像處理的機(jī)器視覺識(shí)別無法應(yīng)對(duì)實(shí)際生產(chǎn)中復(fù)雜多變、缺少固定形態(tài)的表面瑕疵。本文基于人工智能和深度學(xué)習(xí)的思想,以鋁型材表面瑕疵作為突破口,主要應(yīng)用深度學(xué)習(xí)技術(shù)中的卷積神經(jīng)網(wǎng)絡(luò)對(duì)鋁型材表面瑕疵進(jìn)行分類和檢測研究。本文首先介紹了金屬材料表面瑕疵識(shí)別的研究背景和國內(nèi)外研究現(xiàn)狀,指出了以鋁型材表面瑕疵為切入口,明確了本文主要是基于深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)對(duì)鋁型材表面瑕疵的分類和檢測進(jìn)行研究。接著,詳細(xì)介紹了將深度學(xué)習(xí)引入鋁型材表面瑕疵研究中涉及的主要知識(shí)點(diǎn),包括卷積層、池化層、Softmax回歸層、損失函數(shù)、卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程和主要參數(shù)等;并且搭建了用以訓(xùn)練瑕疵分類網(wǎng)絡(luò)和檢測網(wǎng)絡(luò)的實(shí)驗(yàn)環(huán)境,指出了利用Google cloud作為實(shí)驗(yàn)平臺(tái)。然后,提出了一種適用于鋁型材表面瑕疵的自動(dòng)的端到端分類網(wǎng)絡(luò)�；谶w移學(xué)習(xí)的思想解決了瑕疵圖像標(biāo)簽化數(shù)據(jù)少的問題,并且利用數(shù)據(jù)增強(qiáng)策略極大的利用了源于阿里云平臺(tái)提供的數(shù)據(jù)集。此外,文章通過分析卷積核、特征圖像和顯著圖證明了該分類...

【文章頁數(shù)】：85 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１．１人工檢測??

用的識(shí)別方法，該方法利用抽查、肉眼觀測的方式，因而具有抽檢率低、準(zhǔn)確性??不高、實(shí)時(shí)性差、效率低、勞動(dòng)強(qiáng)度大、受人工經(jīng)驗(yàn)和主觀因素影響大的缺點(diǎn)！６】。??圖１．１展示了生產(chǎn)現(xiàn)場通過人工的形式對(duì)產(chǎn)品、材料表面進(jìn)行質(zhì)量檢測。??卜黎ｖ脅泰??圖１．１人工檢測??機(jī)器視覺識(shí)別是一種無接....

圖1.2幾SVRC竟賽歷年分類錯(cuò)誤率折線圖

．人工智能和深度學(xué)習(xí)的思想，給其它眾多學(xué)科提供了很多參考和借鑒，例如：??無人駕駛、醫(yī)學(xué)領(lǐng)域的病理圖像分析［９］、語音識(shí)別等。因而，本文將深度學(xué)習(xí)引??

圖１．４冷軋綱表面瑕疵檢測系統(tǒng)結(jié)構(gòu)［１（）１??６??

圖１．５熱軋帶鋼表面瑕疵檢測系統(tǒng)結(jié)構(gòu)??

２００５年以來，北京科技大學(xué)的徐科團(tuán)隊(duì)開始研制基于線陣ＣＣＤ攝像機(jī)的熱??軋帶鋼表面瑕疵檢測系統(tǒng)［２６，２７１，該系統(tǒng)已經(jīng)用于３條中厚板和２條熱軋帶鋼生產(chǎn)??線上，并且獲得了?２００８年冶金科學(xué)技術(shù)一等獎(jiǎng)。圖１．５展示了熱軋帶鋼表面瑕??疵檢測系統(tǒng)的結(jié)構(gòu)。??松像１—＼?／——ｍ....

本文編號(hào)：4044896