在現(xiàn)代工業(yè)化生產(chǎn)中,產(chǎn)品的外觀檢測是質(zhì)量控制過程中一道至關(guān)重要的環(huán)節(jié)。因此,研發(fā)強大的智能外觀缺陷檢測技術(shù)日趨重要。傳統(tǒng)的視覺檢測方法需要針對被檢對象,提取對象的特征,設(shè)計相對應(yīng)的檢測算法。隨著機器學(xué)習(xí)的推進與發(fā)展,很多強大的機器學(xué)習(xí)算法也漸漸應(yīng)用到表面缺陷檢測中,并取得了很好的效果。在工業(yè)生產(chǎn)中,大量的缺陷樣本往往難以獲取。同時,在訓(xùn)練樣本數(shù)量極其有限的情況下,使用機器學(xué)習(xí)算法進行缺陷檢測往往效果不理想。針對該情況,本文進行了面向表面缺陷檢測的機器學(xué)習(xí)方法研究。首先,針對缺陷種類較少,缺陷樣本數(shù)量特別稀少的情況,本文提出一種貝葉斯小樣本學(xué)習(xí)模型。該模型將數(shù)字圖像處理與Naive Bayes分析相結(jié)合。在該模型的學(xué)習(xí)階段,首先針對不同種類的樣本進行分類,然后對不同類型的圖像進行相應(yīng)的增強處理,并對增強后的圖像數(shù)據(jù)進行信息提取與特征量化。在該模型的檢測階段,同樣先進行圖像的增強以及特征的提取與量化,之后根據(jù)兩部分樣本的種類與分布建立相應(yīng)的Bayes模型。模型中將圖像信息轉(zhuǎn)化為模型可接受的概率信息。在學(xué)習(xí)階段的特征信息通過Bayes模型轉(zhuǎn)化為先驗概率,檢測階段中利用先驗概率計算待測對象的后... 

【文章來源】：蘇州大學(xué)江蘇省

【文章頁數(shù)】：77 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１．３軸承表面檢測系統(tǒng)??

面向表面缺陷檢測的小樣本機器學(xué)習(xí)方法研宄?第一章緒論??團隊發(fā)明了可用于ＰＣＢ表明缺陷檢測的系統(tǒng)該系統(tǒng)針對不同ＰＣＢ缺陷開發(fā)了與??之對應(yīng)的缺陷識別算法。??智能外觀缺陷檢測系統(tǒng)己滲入到各行各業(yè)，主要有制藥、物流、包裝、制造、半??導(dǎo)體、煙草、紡織、交通等行業(yè)。部分實物如圖１．２、圖１．３與圖１．４所示：??Ｍｍ??圖１．２紙張檢測系統(tǒng)??ＢＴＳｉｉ??圖１．３軸承表面檢測系統(tǒng)??３??

第一章緒論?面向表面缺陷檢測的小樣本機器學(xué)習(xí)方法研究??｜＾ａ？?．?＾ｌ?；??ＳＵＳＳ?Ｗｓｍａｍｍｍ＾＾ｒｍ??，，＾ａｐ?ｗｍ??？?ｉ??圖１．４印刷品智能檢測系統(tǒng)??缺陷檢測算法是智能外觀檢測系統(tǒng)中最重要的部分，目前常見的缺陷檢測算法一??般包含以下幾類：統(tǒng)計、光譜、模型、學(xué)習(xí)和結(jié)構(gòu)。統(tǒng)計算法統(tǒng)計圖像中的灰度分布??狀況，基于統(tǒng)計結(jié)果進行算法設(shè)計。主要包括共生矩陣［１１＼數(shù)學(xué)形態(tài)學(xué)等［１２］。Ｍａｋ等??人研發(fā)出了基于數(shù)學(xué)形態(tài)學(xué)分析的織物瑕疵檢測方法［１３］，基于預(yù)訓(xùn)練的Ｇａｂｏｒ小波??網(wǎng)絡(luò)進行特征提取，檢測精度超過９０％。其次，光譜算法是基于多樣的圖像增強方式??進行圖像缺陷特征的表達，其中主要有傅立葉變換、小波變換［１４，１５ＷＰＧａｂｏｒ變換［１６，１７］??等算法。Ｃｈａｎ和Ｐａｎｇ研發(fā)出了基于傅里葉變換的外觀缺陷檢測算法第一步采用??灰度拉伸進行圖像缺陷的增強，之后基于快速傅里葉變換獲得中央頻率譜圖，實驗證??明其缺陷檢測精度較高。結(jié)構(gòu)算法是依托圖像當(dāng)中獨特的紋理特征設(shè)計的缺陷檢測算??法。例如，Ｌｉｕ?Ｚ等人基于局部紋理顯著性特征設(shè)計了相應(yīng)的分析檢測算法［１９］，依據(jù)??局部二進制法將紋理特征進行抽取，之后基于抽取出的特征進行缺陷檢測與分析。實??驗證明，該方法在紋理缺陷檢測上具有好的檢測效果。神經(jīng)網(wǎng)絡(luò)（Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ）是一??種基于人工智能的機器學(xué)習(xí)方法。Ｓｔｏｊａｎｏｖｉｃ等人搭建了三層ＢＰ人工神經(jīng)網(wǎng)絡(luò)針對??不同瑕疵進行檢測［２Ｇ，２１］，獲得了較高的檢測精度。ＷｕＸ等人發(fā)明了一種基于卷積神??經(jīng)網(wǎng)絡(luò)的缺陷識別技術(shù)［２２］，該技術(shù)對紋理結(jié)構(gòu)復(fù)雜和模糊對象有很好的檢測效果，其?

【參考文獻】：
期刊論文
[1]基于隱馬爾可夫模型的單音及和弦鋼琴指法自動標(biāo)注（英文）[J]. 孫浩天,關(guān)欣,咸靜,李鏘.  復(fù)旦學(xué)報(自然科學(xué)版). 2018(03)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的隨機梯度下降算法[J]. 王功鵬,段萌,牛常勇.  計算機工程與設(shè)計. 2018(02)
[3]RGB-D圖像的貝葉斯顯著性檢測（英文）[J]. 王松濤,周真,曲寒冰,李彬.  自動化學(xué)報. 2017(10)
[4]應(yīng)用深度卷積神經(jīng)網(wǎng)絡(luò)的色織物缺陷檢測[J]. 景軍鋒,范曉婷,李鵬飛,洪良.  紡織學(xué)報. 2017(02)
[5]基于邊際Fisher準(zhǔn)則和遷移學(xué)習(xí)的小樣本集分類器設(shè)計算法[J]. 舒醒,于慧敏,鄭偉偉,謝奕,胡浩基,唐慧明.  自動化學(xué)報. 2016(09)
[6]稀疏分層概率自組織圖實例遷移學(xué)習(xí)方法[J]. 吳蕾,田儒雅,張學(xué)福.  計算機應(yīng)用. 2016(03)
[7]基于顯著對象的貝葉斯多目標(biāo)檢測方法[J]. 劉龍,柳恭,尤亞.  軟件導(dǎo)刊. 2013(07)
[8]深度學(xué)習(xí)研究綜述[J]. 孫志軍,薛磊,許陽明,王正.  計算機應(yīng)用研究. 2012(08)
[9]雙峰法與otsu法結(jié)合在太陽能電池缺陷檢測中的應(yīng)用[J]. 張翰進,傅志中,念蓓,張忠亮,張冉.  計算機系統(tǒng)應(yīng)用. 2012(01)
[10]基于圖像處理技術(shù)的五金件表面缺陷檢測研究[J]. 李麗娟,徐尚龍,秦杰.  工程設(shè)計學(xué)報. 2011(02)

碩士論文
[1]深度學(xué)習(xí)算法在表面缺陷識別中的應(yīng)用研究[D]. 李夢園.浙江工業(yè)大學(xué) 2015
[2]基于機器視覺的表面缺陷檢測算法研究[D]. 李玉寶.中南大學(xué) 2013
[3]基于機器視覺的PCB缺陷檢測算法研究[D]. 姚忠偉.哈爾濱工業(yè)大學(xué) 2013
[4]基于機器視覺的紙頁缺陷檢測算法的研究[D]. 周露露.山東輕工業(yè)學(xué)院 2012



本文編號：3270080