近年來,深度神經(jīng)網(wǎng)絡(luò)在圖像處理領(lǐng)域取得了巨大的成功,并在圖像分析和圖像識別方面達到了最先進的性能。越來越多的深度學(xué)習(xí)方法從理論走向?qū)嵺`,在醫(yī)療,交通,教育,工業(yè)等各個領(lǐng)域有著廣泛的應(yīng)用價值。在工業(yè)生產(chǎn)上,工業(yè)產(chǎn)品表面缺陷檢測環(huán)節(jié)對于保證產(chǎn)品的高質(zhì)量和生產(chǎn)效率十分重要,并且需要在保證缺陷識別的準確率較高的前提下提高檢測速度。卷積神經(jīng)網(wǎng)絡(luò)憑借其強大的特征提取能力,可對圖像進行準確分析和識別,在工業(yè)缺陷檢測中發(fā)揮著重要作用。工業(yè)生產(chǎn)環(huán)境相對較為復(fù)雜,因此設(shè)計出具有高精度和強魯棒性的檢測模型是本文的主要工作。本文主要設(shè)計出工業(yè)缺陷檢測系統(tǒng),并且對其進行改進,具體內(nèi)容如下:1.提出了一種基于回歸的通用工業(yè)缺陷檢測框架。具體來說,該框架包含四個模塊:基于深度回歸的檢測模塊,像素級別過濾模塊,連通域分析模塊和缺陷分類模塊。為了訓(xùn)練檢測模塊本文提出了一種高性能的回歸網(wǎng)絡(luò)和一種從標注數(shù)據(jù)中產(chǎn)生標簽獲取缺陷嚴重程度信息的算法。本論文已經(jīng)在兩個公共基準數(shù)據(jù)集Aigle RN,DAGM2007和一個真實工業(yè)電容數(shù)據(jù)集上測試了該方法。結(jié)果表明,本論文所提出的方法在檢測精度,圖像分割性能和速度方面有明顯的優(yōu)勢。2... 

【文章來源】：深圳大學(xué)廣東省

【文章頁數(shù)】：79 頁

【學(xué)位級別】：碩士

【部分圖文】：

缺陷檢測系統(tǒng)

面向工業(yè)的圖像分割深度學(xué)習(xí)技術(shù)研究和應(yīng)用2傳統(tǒng)的圖像處理方法如閾值分割法[3]，邊緣檢測法[4]和區(qū)域生長法[5]等是利用圖像處理的算法將圖片中的缺陷特征部分與其他非缺陷部分區(qū)分開，將缺陷從圖片中分離出來，再對它進行處理分析。缺陷檢測和缺陷分割既有聯(lián)系又有區(qū)別，缺陷檢測不僅僅是簡單分割出圖像中的缺陷部分，有時還需要對缺陷進行分類，甚至還需要對某些特殊缺陷如裂縫等進行裂痕走勢預(yù)測。所以缺陷檢測比圖像分割要復(fù)雜得多。隨著生活水平的不斷提高，商品種類更加繁多，并且商品表面特征也變得復(fù)雜多樣，傳統(tǒng)的圖像處理方法已無法勝任工廠的缺陷檢測任務(wù)，所以亟需一種準確度更高，更加智能化的方法來應(yīng)對這類難題。隨著人工智能和深度學(xué)習(xí)[6]的發(fā)展，計算機視覺技術(shù)在醫(yī)學(xué)圖像處理[7]，自動駕駛[8]，機器人控制[9]，人機交互[10]，智能監(jiān)控[11]等方面的應(yīng)用也是越來越廣。深度學(xué)習(xí)憑借其出色的特征學(xué)習(xí)能力在計算機視覺中占有一席之地。深度學(xué)習(xí)通過深層次網(wǎng)絡(luò)結(jié)構(gòu)對低層的圖像特征到高層的抽象語義特征進行學(xué)習(xí)。以人臉識別為例，如圖1-2所示的人臉識別系統(tǒng)，從最開始像素組成的邊緣到人臉的局部，再到完整的人臉，神經(jīng)網(wǎng)絡(luò)將信息從像素級別特征抽象到種類概念有利于分類學(xué)習(xí)，實現(xiàn)人臉識別。圖1-2人臉識別網(wǎng)絡(luò)的多層結(jié)構(gòu)和特征表示，(a)-(c)分別表示邊緣輪廓，人臉局部和完整人臉特征圖YannLeCun在1989年設(shè)計出LeNet-5卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，用于手寫數(shù)字識別[12]，開啟了卷積神經(jīng)網(wǎng)絡(luò)用于圖像識別的先例。之后伴隨著深度學(xué)習(xí)理論的提出，卷積神經(jīng)網(wǎng)絡(luò)的強大特征提取能力吸引了更多學(xué)者的廣泛關(guān)注。卷積神經(jīng)網(wǎng)

袼兀?傭?月訪?裂縫進行識別[18]。Abdelha等人在金屬焊接問題上將直方圖分析、對比度增強和閾值化結(jié)合，利用積分圖像計算局部閾值，優(yōu)化計算時間[19]。吳清等人提出了一種基于二維Otsu[20]閾值分割缺陷檢測方法，利用CT缺陷圖片的灰度特點對發(fā)動機葉片進行缺陷檢測[21]。郭慧等人針對人造板表面缺陷問題設(shè)計一種快速自適應(yīng)閾值圖像分割方法，為工業(yè)在線檢測提供技術(shù)支持[22]。2)邊緣檢測算法邊緣提取其實也是一種濾波，利用不同的算子可以達到不同的提取效果，主要是用來提取目標的低層次特征信息，如圖1-3所示。常見的邊緣檢測算子有Sobel算子，Roberts算子，Prewitt算子和Canny算子等。對于噪聲較多且灰度值漸變的圖像，利用Sobel算子可以達到比較好的效果，但對于目標邊緣的檢測比較粗糙，所以當(dāng)對精度要求不是很高時，是一種較為常用的邊緣檢測方法。Roberts算子對垂直邊緣的檢測效果要好于斜向邊緣，定位精度高，但是對噪聲敏感,無法抑制噪聲的影響。Canny方法使用兩種不同的閾值分別檢測強邊緣和弱邊緣，不易受噪聲干擾。Prewitt算子和Sobel算子都是一階的微分算子，前者是平均濾波，而后者是加權(quán)平均濾波，但兩者對灰度漸變低噪聲的圖像都有較好的檢測效果。圖1-3不同算子的邊緣檢測效果圖，從左往右依次為原始圖像，Sobel算子，Roberts算子，Prewitt算子，Canny算子檢測效果圖在工業(yè)檢測中一般都會對這些邊緣檢測算子進行改進，使其能適應(yīng)工業(yè)檢測的復(fù)雜性。Zeljko等人利用改進的Canny邊緣檢測技術(shù)結(jié)合直方圖分割技術(shù)對陶瓷磚的邊緣和缺陷進行檢測[23]。Jijun等人利用Roberts算子的部分差分算子對鋼索紋理特征進行分析，通過邊緣檢測判斷鋼索是否處于良好狀態(tài)[24]。胡大輝在污損條形碼識別問題上，提出了?

【參考文獻】：
期刊論文
[1]基于深度學(xué)習(xí)的連鑄坯表面缺陷檢測[J]. 胡嘉成,王向陽,劉晗.  上海大學(xué)學(xué)報(自然科學(xué)版). 2019(04)
[2]人造板表面缺陷檢測圖像自適應(yīng)快速閾值分割算法[J]. 郭慧,王霄,劉傳澤,周玉成.  林業(yè)科學(xué). 2018(11)
[3]Faster R-CNN在工業(yè)CT圖像缺陷檢測中的應(yīng)用[J]. 常海濤,茍軍年,李曉梅.  中國圖象圖形學(xué)報. 2018(07)
[4]邊緣檢測算法在污損條碼識別中的應(yīng)用研究[J]. 胡大輝.  包裝工程. 2013(03)
[5]基于條件隨機場的多標簽圖像分類[J]. 徐振宇,孫玉梅.  遼寧工業(yè)大學(xué)學(xué)報(自然科學(xué)版). 2012(04)
[6]基于閾值分割的葉片缺陷檢測技術(shù)[J]. 吳清,趙歆波,王慶勝.  機床與液壓. 2006(09)



本文編號：3481530