發(fā)布時間：2023-02-01 14:22

　　金剛石鋸片的缺陷檢測是產(chǎn)品品質(zhì)安全的重要保證,但金剛石顆粒噪聲為鋸片裂紋檢測提高了難度。針對目前常見的的目標(biāo)檢測方法來說,想達(dá)到實(shí)時快速準(zhǔn)確的檢測,其效果并不是很好,本文將針對如何高效的檢測金剛石裂紋的這一問題展開細(xì)致的研究。對于金剛石鋸片的材質(zhì)特征、產(chǎn)出程序中的處理方案存在的問題等原因所構(gòu)成的影響,導(dǎo)致鋸片表層出現(xiàn)相應(yīng)的裂紋,進(jìn)而會造成疲勞斷裂等情況的出現(xiàn),這些問題會對用戶產(chǎn)生巨大的危害。所以針對該課題開展針對性的分析,有著較為重大的實(shí)踐價值。文章首先針對圖像出現(xiàn)的噪聲問題,進(jìn)行了有效的濾波去噪處理,其次,針對識別方式采用了有效YOLOv3算法進(jìn)行裂紋的檢測識別。該算法以one-stage方法作為基礎(chǔ),有著檢測效率高等優(yōu)勢,這使得該算法既可以滿足實(shí)際生產(chǎn)中對裂紋識別的實(shí)時性需求又擁有強(qiáng)大的自主學(xué)習(xí)的能力。本文在對網(wǎng)絡(luò)結(jié)構(gòu)的分析中,針對初始特征結(jié)構(gòu)采取相應(yīng)的優(yōu)化措施,進(jìn)而形成了尺度更為豐富,有多種層級劃分的金字塔方案,通過高低層次間的有效融合,從而獲得覆蓋四大層尺度的預(yù)測層數(shù)據(jù),有益于得到更多有關(guān)目標(biāo)物體的基礎(chǔ)特性與位置數(shù)據(jù)。運(yùn)用深度學(xué)習(xí)的方式,神經(jīng)網(wǎng)絡(luò)會自動在大數(shù)據(jù)體系中學(xué)習(xí)和掌握到... 

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 裂紋檢測與識別研究現(xiàn)狀
        1.2.2 深度學(xué)習(xí)的研究現(xiàn)狀
    1.3 本文研究內(nèi)容
第2章 金剛石鋸片裂紋檢測方案設(shè)計
    2.1 整體研究方案
        2.1.1 鋸片裂紋的特征分析
        2.1.2 研究方案及檢測流程設(shè)計
    2.2 基于深度學(xué)習(xí)的的裂紋檢測方法理論分析
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.2 常用激活函數(shù)
    2.3 本章小結(jié)
第3章 金剛石鋸片樣本圖像預(yù)處理
    3.1 圖像灰度化及灰度拉伸
        3.1.1 金剛石鋸片圖像灰度化處理
        3.1.2 圖像灰度直方圖
        3.1.3 灰度拉伸
    3.2 圖像平滑處理
    3.3 圖像質(zhì)量的評價
    3.4 金剛石鋸片圖像去噪算法的改進(jìn)
        3.4.1 NLM濾波算法的改進(jìn)
        3.4.2 雙邊濾波算法改進(jìn)
        3.4.3 實(shí)驗(yàn)分析
    3.5 本章小結(jié)
第4章 基于YOLO算法的金剛石鋸片裂紋檢測
    4.1 金剛石鋸片樣本集建立
        4.1.1 樣本增強(qiáng)
    4.2 YOLOv3算法及結(jié)構(gòu)改進(jìn)
        4.2.1 YOLOv3網(wǎng)絡(luò)架構(gòu)
        4.2.2 YOLOv3回歸思想
        4.2.3 特征金字塔FPN
        4.2.4 網(wǎng)絡(luò)結(jié)構(gòu)的改進(jìn)思想及改進(jìn)效果
    4.3 YOLOv3網(wǎng)絡(luò)訓(xùn)練過程
    4.4 實(shí)驗(yàn)與分析
        4.4.1 實(shí)驗(yàn)環(huán)境
        4.4.2 評價標(biāo)準(zhǔn)
        4.4.3 實(shí)驗(yàn)結(jié)果與分析
    4.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間的學(xué)術(shù)成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]GPU based techniques for deep image merging[J]. Jesse Archer,Geoff Leach,Ron van Schyndel.  Computational Visual Media. 2018(03)
[2]基于深度信念網(wǎng)絡(luò)的風(fēng)機(jī)葉片結(jié)構(gòu)損傷識別研究[J]. 顧桂梅,張鑫.  甘肅農(nóng)業(yè)大學(xué)學(xué)報. 2016(04)
[3]深度學(xué)習(xí)在圖像識別領(lǐng)域的應(yīng)用現(xiàn)狀與優(yōu)勢[J]. 周宇杰.  中國安防. 2016(07)
[4]基于引導(dǎo)核聚類的非局部均值圖像去噪算法[J]. 吳一全,李海杰,宋昱.  電子科技大學(xué)學(xué)報. 2016(01)
[5]基于進(jìn)化深度學(xué)習(xí)的特征提取算法[J]. 陳珍,夏靖波,柏駿,徐敏.  計算機(jī)科學(xué). 2015(11)
[6]鋼結(jié)構(gòu)焊接裂紋的原因及預(yù)防策略[J]. 高學(xué)民.  科技尚品. 2015(09)
[7]金剛石鋸片的焊縫檢測方法研究[J]. 趙民,郭家偉,武曉龍,李旭.  金剛石與磨料磨具工程. 2015(04)
[8]基于MATLAB的圖像去噪研究[J]. 葉雯.  計算機(jī)時代. 2015(06)
[9]深度學(xué)習(xí)研究進(jìn)展[J]. 郭麗麗,丁世飛.  計算機(jī)科學(xué). 2015(05)
[10]選擇性計算的快速非局部均值圖像去噪[J]. 羅學(xué)剛,呂俊瑞,王華軍,楊強(qiáng).  電子科技大學(xué)學(xué)報. 2015(01)

碩士論文
[1]基于YOLO的目標(biāo)檢測算法設(shè)計與實(shí)現(xiàn)[D]. 阮激揚(yáng).北京郵電大學(xué) 2019
[2]基于YOLO的實(shí)時目標(biāo)檢測方法研究[D]. 任培銘.江南大學(xué) 2019
[3]基于YOLOv3的道路交通環(huán)境行人檢測技術(shù)研究[D]. 方卓琳.華南理工大學(xué) 2019
[4]基于區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的物體識別算法研究[D]. 楊梓豪.北京郵電大學(xué) 2018
[5]高效隱私保護(hù)的SVM分類服務(wù)查詢機(jī)制研究[D]. 劉小夏.西安電子科技大學(xué) 2017
[6]基于機(jī)器視覺的紅棗外觀品質(zhì)分級方法研究[D]. 李運(yùn)志.西北農(nóng)林科技大學(xué) 2016
[7]基于深度學(xué)習(xí)的目標(biāo)檢測與分割算法研究[D]. 王若辰.北京工業(yè)大學(xué) 2016
[8]深度學(xué)習(xí)及其在工件缺陷自動檢測中的應(yīng)用研究[D]. 顏偉鑫.華南理工大學(xué) 2016
[9]基于X射線圖像的輸油管道焊縫缺陷檢測與識別[D]. 劉想.電子科技大學(xué) 2016
[10]基于非局部均值和非局部TV的圖像去噪方法研究[D]. 梁廣順.天津理工大學(xué) 2016



本文編號：3734236