表面缺陷自動檢測對于提高工業(yè)自動化生產(chǎn)效益,提高產(chǎn)品質(zhì)量有著很大的影響,而基于機器視覺的研究方法在缺陷檢測領(lǐng)域具有很強的靈活性和高效性,已經(jīng)成為工業(yè)生產(chǎn)制造過程中不可缺少的一部分。表面缺陷檢測技術(shù)的應(yīng)用可以使技術(shù)人員及時發(fā)現(xiàn)存在的問題并對其做出改進,減少經(jīng)濟損失。部署在各個生產(chǎn)環(huán)節(jié)中的檢測系統(tǒng)對減少生產(chǎn)成本,提高生產(chǎn)質(zhì)量以及生產(chǎn)效率有著舉足輕重的地位。為此,本文以產(chǎn)品表面缺陷檢測為研究對象。利用深度學(xué)習(xí)模型自學(xué)習(xí)、特征自提取的優(yōu)勢,開展基于深度學(xué)習(xí)的缺陷目標檢測算法研究,著重解決表面缺陷檢測問題,具體工作內(nèi)容如下:1.本文通過對比不同的目標檢測算法,最終選擇以SSD目標檢測算法為研究基礎(chǔ)。提出了適合復(fù)雜紋理背景信息干擾的缺陷目標檢測方法。改進SSD算法通過局部感受野融合不同尺度的特征信息,設(shè)計默認框的初始比例來應(yīng)對工業(yè)產(chǎn)品生產(chǎn)中劃痕這類小目標的檢測要求,實現(xiàn)表面缺陷特征提取和識別。對大小,種類和形態(tài)各異的缺陷都有很好的魯棒性。為了解決嵌入式平臺計算能力差,無法進行大量卷積計算的問題,將輕量級移動卷積網(wǎng)絡(luò)MobileNet作為前端特征提取器替換VGG16網(wǎng)絡(luò)來獲得更高效的缺陷檢測網(wǎng)絡(luò)。通... 

【文章來源】：重慶郵電大學(xué)重慶市

【文章頁數(shù)】：80 頁

【學(xué)位級別】：碩士

【部分圖文】：

康耐視表面缺陷自動檢測案例

2.2.3 NMS（非極大值抑制） 非極大值抑制（Non-maximum suppression，NMS）[32]類似于局部最大值搜索算法，它的主要思路就是將局部最大值保留下來，抑制不是極大值的數(shù)據(jù)，只會獲取識別結(jié)果中置信度最大的情況。而在目標檢測算法中應(yīng)用 NMS 可以消除其他多余的候選框。使得最后確定的候選框的邊框回歸值最小，無限接近實際目標的正確位置，算法流程圖如 2.7 所示。NMS 在機器視覺領(lǐng)域有著很廣泛的應(yīng)用，比如目標跟蹤，目標識別，紋理分析以及 3D 建模等。

重慶郵電大學(xué)碩士學(xué)位論文第3章基于MSSD網(wǎng)絡(luò)模型的設(shè)計與優(yōu)化34表3.6共選取了4類缺陷進行檢測識別DetectsClass1Class2Class3Class4TotalsTraining130200214200744Testing201008498302Totals1503002982981046所有的樣本數(shù)據(jù)的圖片分辨率為512×512像素。將所有的數(shù)據(jù)集按照缺陷類別進行重新整理。Class1對應(yīng)擦花缺陷類型，Class2對應(yīng)碰凹缺陷類型，Class3對應(yīng)劃痕缺陷類型，Class4對應(yīng)麻點缺陷類型。重新整理以后，按照上表的大小進行訓(xùn)練集和測試集的劃分，并統(tǒng)計樣本總數(shù)。由于DAGM2007數(shù)據(jù)集是單通道的灰度圖，與實際檢測場景的模型計算不同，需要擴展樣本為三通道的RGB圖像，以滿足模型的訓(xùn)練要求。這樣得到的樣本數(shù)據(jù)的圖片分辨率為512×512×3，其中3表示樣本是3通道的RGB圖像。3.4模型訓(xùn)練與檢測結(jié)果分析模型的損失函數(shù)類別包括分類損失，位置損失以及總損失，本文將損失參數(shù)設(shè)置為both，同時觀察分類損失和位置損失。模型總共訓(xùn)練了50000步。訓(xùn)練過程中的分類損失和位置損失變化情況如圖3.9所示，可以看出在訓(xùn)練的前期，分類損失和位置損失都下降很快，但是位置損失函數(shù)的波動比較大，但是總體趨于收斂狀態(tài)。分類損失函數(shù)總體變化比較平穩(wěn)，波動也比較校圖3.9位置損失和分類損失總損失函數(shù)變化情況如圖3.10所示。

【參考文獻】：
期刊論文
[1]深度學(xué)習(xí)目標檢測方法綜述[J]. 趙永強,饒元,董世鵬,張君毅.  中國圖象圖形學(xué)報. 2020(04)
[2]基于對抗式生成網(wǎng)絡(luò)的農(nóng)作物病蟲害圖像擴充[J]. 林勝,鞏名軼,牟文芊,董伯男.  電子技術(shù)與軟件工程. 2020(03)
[3]基于面部結(jié)構(gòu)殘差網(wǎng)絡(luò)的壓縮人臉圖像復(fù)原算法[J]. 趙強,干宗良,劉峰.  南京郵電大學(xué)學(xué)報(自然科學(xué)版). 2019(04)
[4]自由貿(mào)易協(xié)定與中國出口產(chǎn)品質(zhì)量——以中國制造業(yè)出口產(chǎn)品為例[J]. 王明濤,謝建國.  國際貿(mào)易問題. 2019(04)
[5]基于深度神經(jīng)網(wǎng)絡(luò)的表面劃痕識別方法[J]. 李文俊,陳斌,李建明,錢基德.  計算機應(yīng)用. 2019(07)
[6]基于深度卷積神經(jīng)網(wǎng)絡(luò)的人臉識別技術(shù)綜述[J]. 景晨凱,宋濤,莊雷,劉剛,王樂,劉凱倫.  計算機應(yīng)用與軟件. 2018(01)
[7]基于深度學(xué)習(xí)的目標檢測算法綜述[J]. 周曉彥,王珂,李凌燕.  電子測量技術(shù). 2017(11)
[8]基于邊緣檢測的卷積核數(shù)量確定方法[J]. 文元美,余霆嵩,凌永權(quán).  計算機應(yīng)用研究. 2018(11)
[9]谷歌TensorFlow機器學(xué)習(xí)框架及應(yīng)用[J]. 章敏敏,徐和平,王曉潔,周夢昀,洪淑月.  微型機與應(yīng)用. 2017(10)
[10]金屬表面缺陷自適應(yīng)分割算法[J]. 馬云鵬,李慶武,何飛佳,劉艷,席淑雅.  儀器儀表學(xué)報. 2017(01)

碩士論文
[1]基于深度學(xué)習(xí)的防控指揮系統(tǒng)的實現(xiàn)[D]. 茍攀.電子科技大學(xué) 2019



本文編號：3340675