目前很多工業(yè)場(chǎng)景下工件的表面缺陷檢測(cè)環(huán)節(jié)仍需要通過(guò)人工方式進(jìn)行,很難采用自動(dòng)化的設(shè)備來(lái)完成。該領(lǐng)域仍是困擾多個(gè)行業(yè)的行業(yè)難題。自從2013年深度學(xué)習(xí)領(lǐng)域在算力和理論上的大幅度發(fā)展,為該類問(wèn)題的解決提供了希望。本文以電池表面、鋁板表面、汽車零件和布匹四個(gè)實(shí)際的工業(yè)缺陷檢測(cè)場(chǎng)景為背景,以兩階段目標(biāo)檢測(cè)算法為基礎(chǔ)算法進(jìn)行多方面的改進(jìn),全面將深度學(xué)習(xí)方法整合應(yīng)用在工業(yè)場(chǎng)景中。本文的主要研究工作概述如下:首先,通過(guò)對(duì)工件進(jìn)行光源實(shí)驗(yàn),設(shè)計(jì)了動(dòng)態(tài)立體光源,解決了單一光源下很多缺陷無(wú)法成像的問(wèn)題。采用多圖疊加聯(lián)合檢測(cè)的方式,保證了每一類缺陷都可以在相機(jī)下無(wú)所遁形。然后,為了盡可能準(zhǔn)確的檢測(cè)到小目標(biāo)和多尺度目標(biāo),本文在多尺度特征的提取方法上采取了三種方法。首先在圖像輸入網(wǎng)絡(luò)之前通過(guò)圖像金字塔的方式將輸入圖片進(jìn)行預(yù)處理,將缺陷無(wú)論大小放縮到一個(gè)合適的尺度上,使檢測(cè)網(wǎng)絡(luò)在處理起來(lái)相對(duì)容易;其次在特征提取上采用了特征金字塔的方式,分別在檢測(cè)主網(wǎng)絡(luò)和候選框提取網(wǎng)絡(luò)中融入了特征金字塔的思想,使每一層特征圖都可以包含多尺度的信息;然后在主網(wǎng)絡(luò)最后一層特征圖采用了一個(gè)相關(guān)性約束,使特征圖的非相關(guān)性增強(qiáng),可以在一層特... 

【文章來(lái)源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：79 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

YOLO檢測(cè)原理

圖 1-2 圖像分割方法示意圖隨后 Google 公司陸續(xù)發(fā)布了 Deeplab v1、v2、v3、v3+四種方法，創(chuàng)造性提出了帶孔卷積、ASPP 等結(jié)構(gòu)，也使得圖形分割任務(wù)一舉發(fā)展到比較高的水平，即使不借助 CRF 方法，憑借網(wǎng)絡(luò)本身也可以得到很細(xì)致的分割外形，達(dá)到官方宣傳的發(fā)絲級(jí)分割。目前業(yè)界缺陷檢測(cè)方法也開始借鑒圖像分割的方法對(duì)形態(tài)各異的缺陷分別進(jìn)行檢測(cè)，目前仍在發(fā)展中，仍沒(méi)有成熟的解決方案產(chǎn)生。如表 1-1 所示，列舉了目前學(xué)界在目標(biāo)檢測(cè)和目標(biāo)分割任務(wù)上的主要方法及優(yōu)缺點(diǎn)。業(yè)界目前基恩士公司開發(fā)了一套工業(yè)視覺(jué)缺陷檢測(cè)平臺(tái)，整合了一部分深度學(xué)習(xí)方法，可以對(duì)比較初級(jí)的缺陷進(jìn)行檢測(cè)，目前市場(chǎng)反饋尚不得而知。表 1-1 缺陷檢測(cè)有關(guān)方法方法 主要貢獻(xiàn)目標(biāo)檢測(cè)（兩步法）R-CNN[1]目標(biāo)檢測(cè)領(lǐng)域鼻祖，奠定了兩步法目標(biāo)檢測(cè)方法的基本框架，第一步生成大量候選框，第二步對(duì)每個(gè)候選框進(jìn)行位置回歸和分類

第 2 章 基于兩階段目標(biāo)檢測(cè)的方法研究2.1 引言本文改進(jìn)的方法主要基于兩階段目標(biāo)檢測(cè)的方法進(jìn)行展開，本章主要介紹一下目前最基礎(chǔ)且成熟的兩階段目標(biāo)檢測(cè)實(shí)現(xiàn)的具體方法。以及其中的一些技術(shù)細(xì)節(jié)。同時(shí)由于深度學(xué)習(xí)方法的前置任務(wù)過(guò)于龐雜，故本章仍需要對(duì)一些卷積神經(jīng)網(wǎng)絡(luò)的基本知識(shí)進(jìn)行梳理，以一個(gè)基礎(chǔ)結(jié)構(gòu)為例，介紹網(wǎng)絡(luò)的參數(shù)是如何更新的以及網(wǎng)絡(luò)是如何訓(xùn)練的。2.2 卷積神經(jīng)網(wǎng)絡(luò)的基本方法2.2.1 卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)結(jié)構(gòu)

【參考文獻(xiàn)】：
期刊論文
[1]一種基于孔洞填充的路面裂縫識(shí)別方法[J]. 姜維剛,王仲霖,潘飛.  電子技術(shù)與軟件工程. 2019(11)
[2]基于圖像處理的木材干燥裂紋檢測(cè)[J]. 張佳薇,樊興,陳鶴,趙永政,張曉東,袁明潤(rùn).  科學(xué)技術(shù)創(chuàng)新. 2019(16)
[3]基于機(jī)器視覺(jué)的刨花板表面缺陷檢測(cè)系統(tǒng)[J]. 郭慧,盛振湘,王霄,劉傳澤,周玉成,岳群飛.  木材工業(yè). 2019(03)
[4]基于機(jī)器視覺(jué)的金屬零件表面缺陷檢測(cè)系統(tǒng)[J]. 王宇,吳智恒,鄧志文,劉進(jìn)軍,童季剛,莫爵賢.  機(jī)械工程與自動(dòng)化. 2018(04)
[5]基于圖像處理的軸承滾珠表面缺陷檢測(cè)研究[J]. 徐建亮,毛建輝,陳蓓.  自動(dòng)化應(yīng)用. 2018(06)
[6]一種基于機(jī)器視覺(jué)的快速規(guī)則的表面缺陷檢測(cè)方法[J]. 田果,李澄非.  機(jī)械制造與自動(dòng)化. 2018(02)
[7]機(jī)器視覺(jué)表面缺陷檢測(cè)綜述[J]. 湯勃,孔建益,伍世虔.  中國(guó)圖象圖形學(xué)報(bào). 2017(12)
[8]基于機(jī)器視覺(jué)的零部件表面缺陷檢測(cè)方法研究[J]. 劉曉杰,羅印升,張旻,范洪輝.  現(xiàn)代電子技術(shù). 2017(24)
[9]基于機(jī)器視覺(jué)的銅條表面缺陷檢測(cè)系統(tǒng)的研究[J]. 吳浩.  儀表技術(shù)與傳感器. 2016(07)



本文編號(hào)：3000332