汽車(chē)表觀(guān)的質(zhì)量檢驗(yàn)作為汽車(chē)生產(chǎn)、運(yùn)輸和銷(xiāo)售中的重要流程之一,對(duì)汽車(chē)整體的銷(xiāo)售會(huì)產(chǎn)生直接的影響。然而,目前采取的人工目測(cè)方式不僅檢測(cè)效率低而且不利于數(shù)據(jù)的存儲(chǔ)。當(dāng)前,計(jì)算機(jī)視覺(jué)技術(shù)作為新興的檢測(cè)技術(shù),為汽車(chē)表觀(guān)的瑕疵檢測(cè)提供了技術(shù)支撐和方向。為了實(shí)現(xiàn)智能化的汽車(chē)表觀(guān)瑕疵檢測(cè),本文擬構(gòu)建一套基于計(jì)算機(jī)視覺(jué)的汽車(chē)表觀(guān)瑕疵檢測(cè)智能系統(tǒng)。本文主要完成工作如下:（1）通過(guò)對(duì)汽車(chē)表觀(guān)瑕疵檢測(cè)的系統(tǒng)需求分析,進(jìn)行硬件平臺(tái)和軟件系統(tǒng)的設(shè)計(jì)。為實(shí)現(xiàn)汽車(chē)表觀(guān)圖像的自動(dòng)化采集,設(shè)計(jì)系統(tǒng)采集方案;在此基礎(chǔ)上,通過(guò)分析和選擇采集平臺(tái)所需的組件,完成搭建自動(dòng)化的汽車(chē)表觀(guān)圖像采集平臺(tái);結(jié)合硬件平臺(tái)和軟件系統(tǒng)需求,進(jìn)行軟件系統(tǒng)相關(guān)設(shè)計(jì)。（2）分析并設(shè)計(jì)汽車(chē)表觀(guān)圖像處理模塊。研究多種基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法并進(jìn)行對(duì)比,選取YOLOv3目標(biāo)檢測(cè)算法進(jìn)行汽車(chē)表觀(guān)的瑕疵檢測(cè);采集汽車(chē)表觀(guān)圖像,構(gòu)建算法訓(xùn)練所需的數(shù)據(jù)集,針對(duì)圖像噪聲問(wèn)題,分析噪聲來(lái)源和類(lèi)型,研究圖像去噪算法;針對(duì)采集到的低分辨率汽車(chē)表觀(guān)圖像,為了放大到算法訓(xùn)練所需的尺寸,提出一種穩(wěn)健圖像處理算法,即基于矩陣回歸的圖像超分辨率算法,改善圖像超分辨的重建效果;由于... 

【文章來(lái)源】：中國(guó)礦業(yè)大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【圖文】：

傳統(tǒng)人工檢測(cè)示意圖

圖像超分辨是指利用低分辨率的輸入圖像或多個(gè)圖像序列來(lái)重建具有詳細(xì)特征的高分辨率圖像的過(guò)程[47][48]。超分辨率算法將圖像放大到所需要的尺寸，為了保證圖像的質(zhì)量，主要集中對(duì)低分辨率圖像的細(xì)節(jié)信息和詳細(xì)的結(jié)構(gòu)特征進(jìn)行恢復(fù)和保留。采用穩(wěn)健的圖像超分辨率算法對(duì)圖像細(xì)節(jié)信息進(jìn)行重建，更加有利于提高超分辨圖像的識(shí)別精度和檢測(cè)的準(zhǔn)確性。圖像超分辨率技術(shù)應(yīng)用范圍廣泛，包括衛(wèi)星圖像的分析、工業(yè)檢測(cè)、醫(yī)學(xué)研究和國(guó)防安全等眾多領(lǐng)域。一般來(lái)講，圖像局部自相似性存在于同一幅自然圖像中不同尺度的圖像塊之間，如圖2-2所示為圖像局部自相似性的示例圖[49]。圖2-2圖像自相似性示例Figure2-2Exampleofimageself-similarity由上圖可得，左側(cè)花瓣上的圖像塊與花托根部的圖像塊之間具備相似性，雖然圖像尺度有所不同，但是圖像塊之間仍然表現(xiàn)出高度的相似性，這些特征可以作為約束超分辨重建過(guò)程的先驗(yàn)知識(shí)。當(dāng)圖像進(jìn)行亞像素位移時(shí)，在原始圖像塊附近會(huì)出現(xiàn)類(lèi)似的圖像塊結(jié)構(gòu)，這表明圖像塊的相同或不同尺度之間的相似性可以作為基于自學(xué)習(xí)的圖像超分辨的理論依據(jù)。在此基礎(chǔ)上，可以將不同尺度的相似性圖像塊構(gòu)建為超分辨重建所需的訓(xùn)練樣本，在不需要外部樣本的情況下就可以完成圖像的超分辨率重建。Freedman等人[50]提出的圖像超分辨方法是基于圖像自相似性的經(jīng)典算法，通過(guò)搜索相似性圖像塊中的高頻細(xì)節(jié)實(shí)現(xiàn)對(duì)低分辨率圖像塊中信息的補(bǔ)充，進(jìn)而完成圖像的超分辨率重建。在此過(guò)程中，采用傳統(tǒng)絕對(duì)誤差算法，以進(jìn)行高低分辨率圖像塊之間的相似性度量，選取絕對(duì)值誤差最小的圖像塊進(jìn)行高頻細(xì)節(jié)的補(bǔ)充。算法模型如式（2.1）所示。11(,)((,)(,))nmlhjiSuvfijfiujv===++(2.1)其中，lf表示低分辨率圖塊中像素點(diǎn)(i,j)處的

工程碩士專(zhuān)業(yè)學(xué)位論文14圖2-6神經(jīng)元結(jié)構(gòu)模型Figure2-6StructuralModelofNeurons如圖2-6中可得，ix表示輸入的數(shù)據(jù)信號(hào)，j代表了神經(jīng)元，ijw表示輸入的數(shù)據(jù)信號(hào)ix與神經(jīng)元j之間的連接權(quán)重，對(duì)于神經(jīng)元j自身偏置值由jb進(jìn)行表示。如果利用jO表示輸出結(jié)果，那么一般輸入和輸出的映射關(guān)系如式（2.8）所示：1(())njjiijiOfbxw==+(2.8)其中表示激活函數(shù)，一般有sigmoid函數(shù)、tanh(x)函數(shù)、ReLU函數(shù)等。（2）局部感知在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中，由于各層神經(jīng)元之間進(jìn)行全連接，所以導(dǎo)致網(wǎng)絡(luò)結(jié)構(gòu)相對(duì)復(fù)雜，參數(shù)較多，加重訓(xùn)練難度。CNN中提出局部感受野的概念，有效緩解了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)所面臨的問(wèn)題。神經(jīng)元之間通過(guò)局部感知的操作，減少參數(shù)量的同時(shí)還有效保留了必要的信息。（3）權(quán)值共享權(quán)值共享作為CNN的核心思想之一，即對(duì)網(wǎng)絡(luò)模型中的參數(shù)進(jìn)行共享操作，該思想源于相鄰生物神經(jīng)元在結(jié)構(gòu)和功能上具有類(lèi)似性和可取代性[62]。在CNN中，由于多個(gè)卷積核在對(duì)網(wǎng)絡(luò)特征圖進(jìn)行遍歷的過(guò)程中共享一組權(quán)值參數(shù)，即表示卷積核對(duì)圖像的遍歷過(guò)程中，參數(shù)是始終固定不變的。該操作方式有效地減少了網(wǎng)絡(luò)參數(shù)數(shù)量，進(jìn)而實(shí)現(xiàn)了網(wǎng)絡(luò)復(fù)雜度的降低。卷積神經(jīng)網(wǎng)絡(luò)所采取的上述先進(jìn)的思想策略，不僅可以減少網(wǎng)絡(luò)運(yùn)算量，而且有利于提高模型的計(jì)算速度和能力，使其在人工智能領(lǐng)域展現(xiàn)出獨(dú)特的應(yīng)用優(yōu)勢(shì)和廣闊的應(yīng)用前景。


本文編號(hào)：3335083