發(fā)布時間：2022-10-21 18:55

　　隨著我國經濟的飛速發(fā)展,汽車已經成為了人們日常生活中不可缺少的代步工具。汽車輪轂加工環(huán)節(jié)中,對輪轂進行缺陷檢測是確保產品質量的重要環(huán)節(jié)。輪芯作為輪轂的中心部分,其在承重、抗壓上起著至關重要的作用,輪芯X射線圖像相較于輪輻和輪輞,其結構、背景和缺陷特征都要復雜一些,因此需要對輪芯的缺陷檢測進行單獨研究。本文深入研究了圖像處理領域的深度學習算法,吸取基于建議區(qū)域（Region Proposal）的卷積神經網絡和單階段（one-stage）卷積神經網絡算法的優(yōu)點,針對輪芯缺陷提出了一種改進的卷積神經網絡結構。該結構使用空洞卷積提升特征圖感受野;使用多尺度特征圖提取特征以提高算法對小缺陷的檢測準確率;針對輪芯缺陷的大小選擇更合適的錨框尺寸;使用位置敏感卷積層和池化層代替全連接層,提升算法速度的同時加強特征中位置因素的影響。另一方面,由于卷積神經網絡的檢測效果與訓練樣本的數量和質量有著直接關系,而實際應用中獲取足夠的輪芯缺陷樣本需要的時間周期過長,本文提出了一種輪芯缺陷有效樣本的合成方法。該方法通過分析輪芯海綿狀縮松缺陷的定性視覺特征,基于骨架生長技術生成形狀、大小具有隨機性的缺陷,處理后疊加到... 

【文章頁數】：84 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 選題背景與研究意義
    1.2 課題研究的難點
    1.3 本文主要工作
    1.4 論文的結構安排
第二章 輪芯缺陷樣本生成技術研究
    2.1 引言
    2.2 輪芯缺陷分析
    2.3 輪芯缺陷生成
    2.4 結果質量評估
    2.5 基于GAN的缺陷生成探討
    2.6 本章小結
第三章 基于深度學習的輪芯缺陷檢測算法研究
    3.1 卷積神經網絡
    3.2 Multi-stage算法
        3.2.1 R-CNN
        3.2.2 SPP-Net
    3.3 two-stage算法
        3.3.1 Fast R-CNN
        3.3.2 Faster R-CNN
    3.4 one-stage算法
        3.4.1 YOLO
        3.4.2 SSD
    3.5 卷積神經網絡算法對比
    3.6 結合輪芯缺陷提出的改進深度學習模型
        3.6.1 使用空洞卷積提升感受野
        3.6.2 多尺度特征圖提取特征
        3.6.3 更適應的錨框尺寸
        3.6.4 位置敏感卷積層和池化層代替全連接層
    3.7 本章小結
第四章 輪芯缺陷檢測試驗與結果分析
    4.1 引言
    4.2 TensorFlow
    4.3 實驗樣本處理
        4.3.1 樣本集擴增
        4.3.2 圖像預處理
        4.3.3 樣本集組成
    4.4 實驗結果分析
        4.4.1 輪芯缺陷檢測算法流程
        4.4.2 通用調整點對算法結果的影響
        4.4.3 本文算法改進點對實驗結果的影響
        4.4.4 對比實驗及結果分析
    4.5 本章小結
總結與展望
參考文獻
攻讀碩士學位期間取得的研究成果
致謝
附件


【參考文獻】：
期刊論文
[1]大數據下的深度學習研究[J]. 王金甲,陳浩,劉青玉.  高技術通訊. 2017(01)
[2]仿真與人工智能技術的結合與發(fā)展[J]. 黃德生.  測試技術學報. 2002(01)

碩士論文
[1]一種基于紋理合成的疏松缺陷圖像生成方法[D]. 張園.華南理工大學 2018
[2]主客觀相結合的遙感圖像質量評價方法研究[D]. 李玲琳.南京理工大學 2013



本文編號：3696194