近年來,卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks,CNN）逐漸取代傳統(tǒng)的手工特征方法,在計算機(jī)視覺領(lǐng)域發(fā)揮著重要的作用。卷積神經(jīng)網(wǎng)絡(luò)使用交替的卷積層和池化層對圖像進(jìn)行處理,相較傳統(tǒng)方法,能夠在圖像分類挑戰(zhàn)中取得更高準(zhǔn)確率。得益于卷積神經(jīng)網(wǎng)絡(luò)從圖像中學(xué)習(xí)特征表示的能力,目標(biāo)檢測領(lǐng)域迅速發(fā)展,涌現(xiàn)出不同類型的檢測框架。目標(biāo)檢測方法的檢測精度逐漸提高,廣泛應(yīng)用于各個領(lǐng)域之中,如人臉檢測、行人檢測等。工業(yè)領(lǐng)域之中,盡管機(jī)器視覺等技術(shù)能夠?qū)θ毕葸M(jìn)行輔助識別,缺陷檢測的主體仍為人工檢測,檢測人員直接觀察或使用特定工具對產(chǎn)品進(jìn)行檢測。人工檢測的方式受限于人類的工作速率,且隨著工作時間的增加,檢測人員注意力下降,極易發(fā)生產(chǎn)品的漏檢現(xiàn)象。使用人工檢測大量消耗人力資源,且檢測精度不高,缺陷檢測領(lǐng)域亟需變革。本文面向傳統(tǒng)人工檢測和機(jī)器視覺方法的缺陷,提出使用Mask R-CNN對線束作整體的外觀檢測,將目標(biāo)檢測方法與線束外觀檢測進(jìn)行有機(jī)結(jié)合,實(shí)現(xiàn)了應(yīng)用創(chuàng)新。針對這一目標(biāo),本文對線束樣本進(jìn)行圖像采集、清洗和標(biāo)注等操作,構(gòu)建了高質(zhì)量的線束外觀檢測數(shù)據(jù)集。在線束外觀的檢測過程中,針... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：94 頁

【學(xué)位級別】：碩士

【部分圖文】：

卷積層各超參數(shù)示意圖

電子科技大學(xué)碩士學(xué)位論文圖3-1線束樣本示意圖然而，布線板的空間跨度較大，使用相機(jī)進(jìn)行拍照時，無法將線束主體完整拍攝。因此，按照線束對數(shù)據(jù)進(jìn)行分批次的拍攝，一次詳細(xì)的采集流程如下：1.將線束布置在布線板上，并將布線板設(shè)置在初始位置；2.對布線板進(jìn)行水平位移并拍照，每次水平位移的距離為30厘米，共位移四次；3.對布線板進(jìn)行一次向上的垂直平移，距離為20厘米；4.按照第2步的移動方式水平移動布線板并拍照。按照如上流程，一個完整的批次共采集線束圖像8張，對應(yīng)布線板上的不同區(qū)域。本次實(shí)驗(yàn)共對200組線束布置進(jìn)行數(shù)據(jù)采集，共得到1600張線束樣本的圖像，其中圖像的分辨率為3280×2464。3.2數(shù)據(jù)清洗對采集而來的數(shù)據(jù)集進(jìn)行分析，可以看到部分采集得來的圖像存在問題：由于線束在布線板上的布置并非固定，而是根據(jù)線束的形狀和布線板的位置進(jìn)行布置，在進(jìn)行拍照時，部分得到的圖像上幾乎不存在線束樣本。如果將這部分圖像作為數(shù)據(jù)集的一部分進(jìn)行訓(xùn)練，勢必影響數(shù)據(jù)集的數(shù)據(jù)分布，對模型的訓(xùn)練產(chǎn)生影響。同時，由于抖動等原因，部分圖像在拍照時對焦不準(zhǔn)，導(dǎo)致圖像樣本模糊，難以對其進(jìn)行進(jìn)一步的樣本標(biāo)注和外觀檢測。因此，對采集得來的圖像進(jìn)行清洗，刪除低質(zhì)量的圖像樣本，共得到高質(zhì)量30

第三章數(shù)據(jù)集的構(gòu)建與分析的線束樣本圖像1279張。3.3圖像標(biāo)注在得到樣本圖像之后，本文使用labelme軟件對圖像進(jìn)行標(biāo)注。Labelme是由麻省理工開發(fā)的圖像數(shù)據(jù)集標(biāo)注工具，支持不同圖像任務(wù)的標(biāo)注方式，包括但不限于目標(biāo)檢測、語義分割和實(shí)例檢測等任務(wù)。本文的任務(wù)為線束外觀檢測，不僅需要指出線束上膠帶區(qū)域的纏法，還需指出具體的纏法區(qū)域，因此采用實(shí)例分割的方式對圖像進(jìn)行標(biāo)注。在論文中，線束樣本的膠帶纏法一共有四種不同的類別：1.點(diǎn)纏（Spot）：點(diǎn)纏為垂直于波紋管進(jìn)行纏繞的膠帶纏繞方法，點(diǎn)纏的膠帶區(qū)域之間有間隔不相連，多為矩形；2.花纏（Rough）：花纏為傾斜于橡膠管進(jìn)行纏繞的膠帶纏繞方法，從拍攝角度觀察花纏之間有間隔不相連，形狀多為平行四邊形。在無特殊工藝要求的情況下，間隔的距離標(biāo)準(zhǔn)為膠帶寬度的50%；3.全纏（Half）：全纏為膠帶密集覆蓋電線的膠帶纏法，膠帶區(qū)域連續(xù)不存在空隙。在無特殊工藝要求的情況下，重疊膠帶區(qū)域的標(biāo)準(zhǔn)為膠帶寬度的50%；4.交叉纏（Cross）：交叉纏法多出現(xiàn)于多根線束的交叉地帶或線束區(qū)域的末端，形狀變化大。當(dāng)交叉纏與點(diǎn)纏或花纏相連時，取點(diǎn)纏或花纏的第一個空隙為交叉纏的邊界；當(dāng)交叉纏與全纏相連時，以交叉纏的中心點(diǎn)為起點(diǎn)，取膠帶寬度為邊界進(jìn)行切分。在進(jìn)行標(biāo)注時，使用纏法的英文名稱作為標(biāo)簽，分別為：spot,rough,half和cross。圖3-2圖像樣本標(biāo)注流程示意圖31

【參考文獻(xiàn)】：
期刊論文
[1]基于機(jī)器視覺的汽車線束壓接缺陷檢測系統(tǒng)[J]. 張相勝,焦鵬,潘豐.  儀表技術(shù)與傳感器. 2020(03)
[2]線束端子角度姿態(tài)的視覺檢測方法[J]. 王雨青,陳小林,余毅.  國外電子測量技術(shù). 2020(03)
[3]汽車行業(yè)產(chǎn)銷數(shù)據(jù)[J]. 趙黎.  汽車縱橫. 2019(11)
[4]基于機(jī)器視覺的汽車線束外觀檢測方法研究[J]. 黃思博,蔡昭權(quán),方曉彬,陳伽,蔡映雪.  現(xiàn)代計算機(jī). 2019(19)
[5]汽車線束設(shè)計及線束用原材料的選取[J]. 程寧.  汽車實(shí)用技術(shù). 2015(08)
[6]淺談汽車電線束的品質(zhì)控制[J]. 蔣廷云,陳勝國,王壽山,史曹,宗喜旺.  汽車電器. 2014(04)
[7]汽車線束設(shè)計及線束用原材料[J]. 谷孝衛(wèi).  汽車電器. 2006(10)



本文編號：3241579