隨著信息技術(shù)在工業(yè)制造領(lǐng)域的深入應(yīng)用,工業(yè)制造大數(shù)據(jù)研究正成為實現(xiàn)智能制造、幫助政府指導(dǎo)制造企業(yè)轉(zhuǎn)型升級的重要參考依據(jù)。在傳統(tǒng)的鋼鐵、鋁材等金屬制造行業(yè),更是存在生產(chǎn)方式粗放、生產(chǎn)工藝簡單等問題,因此迫切需要通過利用人工智能等新一代信息技術(shù)改善生產(chǎn)流程、提高生產(chǎn)效率。鋁材廠家在鋁材出廠前要對鋁材質(zhì)量進行監(jiān)測,最重要的是對鋁材表面缺陷檢測。而鋁材表面缺陷種類繁多,大小不一,形狀復(fù)雜,人眼通常不能及時準確地判斷出表面瑕疵,而傳統(tǒng)的機器視覺檢測方法屬于手工特征檢測,因此檢測速度緩慢,準確率不高。另一方面,較小的缺陷很難被檢測出來。伴隨著計算機網(wǎng)絡(luò)的大力發(fā)展,本文主要基于深度卷積神經(jīng)網(wǎng)絡(luò)的方法來對鋁材表面缺陷進行檢測。首先針對傳統(tǒng)檢測算法檢測速度緩慢和準確率不高問題,本文主要采用了兩個基于深度卷積神經(jīng)網(wǎng)絡(luò)的主流目標(biāo)檢測算法對制作的鋁材缺陷數(shù)據(jù)集進行檢測,即Faster R-CNN和YOLOv3。前者繼續(xù)沿用了啟發(fā)式預(yù)選框的設(shè)計,但是算法的整體過程都是基于卷積神經(jīng)網(wǎng)絡(luò),無須手工特征提取,這樣的設(shè)計使得缺陷檢測的效果和效率都得以提升。后者也采用了預(yù)選框的設(shè)計但是網(wǎng)絡(luò)整體設(shè)計是端到端的,即輸入到輸出... 

【文章來源】：華東理工大學(xué)上海市 211工程院校 教育部直屬院校

【文章頁數(shù)】：49 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀分析
        1.2.1 國外表面缺陷檢測研究現(xiàn)狀
        1.2.2 國內(nèi)表面缺陷檢測研究現(xiàn)狀
    1.3 本文的主要研究內(nèi)容和研究目標(biāo)
    1.4 章節(jié)安排
第2章 傳統(tǒng)目標(biāo)檢測
    2.1 Canny邊緣檢測
    2.2 霍夫變換
    2.3 Harris角點檢測
    2.4 HOG
        2.4.1 圖像預(yù)處理
        2.4.2 梯度計算
        2.4.3 梯度直方圖統(tǒng)計
    2.5 本章小結(jié)
第3章 卷積神經(jīng)網(wǎng)絡(luò)
    3.1 神經(jīng)網(wǎng)絡(luò)
        3.1.1 神經(jīng)單元
        3.1.2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
    3.2 卷積神經(jīng)網(wǎng)絡(luò)
        3.2.1 卷積層
        3.2.2 池化層
        3.2.3 全連接層
        3.2.4 感受野
    3.3 參數(shù)更新
    3.4 基礎(chǔ)模型
        3.4.1 AlexNet
        3.4.2 VGG16
        3.4.3 Inception
        3.4.4 ResNet
    3.5 本章小結(jié)
第4章 基于深度卷積神經(jīng)網(wǎng)絡(luò)的鋁材表面缺陷檢測應(yīng)用
    4.1 Faster RCNN
        4.1.1 Anchor
        4.1.2 RPN
    4.2 YOLOv3
        4.2.1 過程
        4.2.2 損失函數(shù)
    4.3 改進的YOLOv3
    4.4 實驗
        4.4.1 數(shù)據(jù)
        4.4.2 評價標(biāo)準
        4.4.3 基礎(chǔ)網(wǎng)絡(luò)參數(shù)設(shè)置
        4.4.4 實驗分析
        4.4.5 實驗結(jié)果
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻
致謝
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)成果



本文編號：3173013