隨著圖像傳感技術(shù)的快速發(fā)展,視覺檢測作為非接觸式傳感技術(shù)被廣泛應(yīng)用到各個(gè)領(lǐng)域,其可以代替人工進(jìn)行自動(dòng)的產(chǎn)品缺陷檢測與品質(zhì)驗(yàn)證,甚至可以滿足自動(dòng)控制整個(gè)生產(chǎn)工藝的要求。目前對于無紡布的缺陷在線檢測過程大部分是靠人工目檢檢測,檢測速度慢、效率低,檢測結(jié)果人為因素影響大,無法實(shí)現(xiàn)實(shí)時(shí)快速檢測。利用機(jī)器視覺的方法進(jìn)行表面缺陷檢測,大多存在復(fù)雜的人工特征設(shè)計(jì),且準(zhǔn)確率不高的現(xiàn)象。本文設(shè)計(jì)了基于深度學(xué)習(xí)的涂布缺陷檢測系統(tǒng),使用高分辨率的工業(yè)CMOS相機(jī)獲取涂布生產(chǎn)線上的涂布缺陷圖像,將其分割并歸一化為256*256大小,對其進(jìn)行了圖像增強(qiáng),將預(yù)處理后的樣本圖像輸入到卷積神經(jīng)網(wǎng)絡(luò),通過大數(shù)據(jù)的迭代自動(dòng)完成特征向量的提取。對于訓(xùn)練網(wǎng)絡(luò)中的參數(shù)采用逐一分析法,確定合理的網(wǎng)絡(luò)參數(shù)和層級(jí)結(jié)構(gòu),進(jìn)行多次實(shí)驗(yàn)確定參數(shù)的有效性。通過與傳統(tǒng)的機(jī)器視覺SVM檢測方法對比分析,顯示出了利用卷積神經(jīng)網(wǎng)絡(luò)的缺陷檢測方法的優(yōu)越性。論文使用Linux系統(tǒng)搭建深度學(xué)習(xí)框架Caffe進(jìn)行模型訓(xùn)練,并在海思麒麟Hikey 970硬件平臺(tái)進(jìn)行實(shí)驗(yàn)驗(yàn)證,有效實(shí)現(xiàn)了涂布生產(chǎn)線的缺陷檢測。通過對褶皺、豎線、亮點(diǎn)三類缺陷以及正常圖像共5352... 

【文章來源】：西安理工大學(xué)陜西省

【文章頁數(shù)】：61 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

涂布車間人工目檢Fig.1-1Coatingworkshopmanualvisualinspection

圖 2-5 卷積過程示意圖Fig. 2-5 Convolution process行卷積運(yùn)算，在遇到邊緣像素（頂部、底部）時(shí)，略邊緣像素，將邊緣像素直接舍棄掉，不進(jìn)行卷積展邊緣，填充可以是零也可以是中心點(diǎn)的像素值、平有自己的屬性特征，當(dāng)卷積核中的值相加小于 1 時(shí)圖像更暗，值越小，程度越大。當(dāng)卷積核中的值相像會(huì)比原始圖像亮度更亮。當(dāng)卷積核中的值相加為原始圖接近，幾乎一致，通過對訓(xùn)練模型卷積核參 layer，P）是將卷積后的特征圖用m m窗口劃分成與過擬合問題。在卷積層后面加一個(gè)池化層，有平圖 2-6 所示。平均池化是計(jì)算原始像素點(diǎn)平均值作原始像素點(diǎn)區(qū)域內(nèi)最大像素點(diǎn)值作為池化后的像素

圖 2-7 激活函數(shù)曲線Fig. 2-7 Activation function curve2-7）與圖 2-7 可以看出 Relu 函數(shù)為分段函數(shù)，在負(fù)區(qū)間所有的負(fù)間梯度為常數(shù)，從而會(huì)增加模型乃至整個(gè)神經(jīng)網(wǎng)絡(luò)的非線性特性，深度的神經(jīng)網(wǎng)絡(luò)中優(yōu)勢更加突出。選擇 Relu 函數(shù)主要具有以下優(yōu)算量小。對比 tanh 等激活函數(shù)，進(jìn)行反向傳播求誤差梯度時(shí)，有梯度運(yùn)算量大。采用 Relu 函數(shù)避免了指數(shù)運(yùn)算，一個(gè)簡單的判斷易優(yōu)化學(xué)習(xí)。深度網(wǎng)絡(luò)訓(xùn)練中，梯度小的情況容易發(fā)生，sigmoi數(shù)結(jié)果近似為零，會(huì)造成特征信息丟失，Relu 分段線性的特點(diǎn)解解過擬合。Relu 函數(shù)使得部分神經(jīng)元輸出變?yōu)榱慊蛘呓茷榱�，關(guān)系，讓網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)變得稀疏，能夠有效防止過擬合發(fā)生。層與 Softmax 層層（Fully connected layers，F(xiàn)C）在卷積神經(jīng)網(wǎng)絡(luò)中常出現(xiàn)在網(wǎng)絡(luò)

【參考文獻(xiàn)】：
期刊論文
[1]深度學(xué)習(xí)的模型搭建及過擬合問題的研究[J]. 陶礫,楊朔,楊威.  計(jì)算機(jī)時(shí)代. 2018(02)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)車身顏色識(shí)別技術(shù)研究[J]. 管德永,鞠銘,安連華.  山東建筑大學(xué)學(xué)報(bào). 2018(01)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的轎車車型精細(xì)識(shí)別方法[J]. 陳宏彩,程煜,張常有.  河北科技大學(xué)學(xué)報(bào). 2017(06)
[4]基于深度學(xué)習(xí)的圖像識(shí)別處理[J]. 林杰,李如意.  網(wǎng)絡(luò)安全技術(shù)與應(yīng)用. 2017(11)
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別算法研究[J]. 張榮磊,田愛奎,譚浩,鄭睿.  山東理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(01)
[6]計(jì)算機(jī)視覺技術(shù)的車型識(shí)別應(yīng)用研究[J]. 茅正沖,韓毅.  單片機(jī)與嵌入式系統(tǒng)應(yīng)用. 2017(06)
[7]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(bào). 2017(02)
[8]從淺層網(wǎng)絡(luò)到深度網(wǎng)絡(luò)的圖像分類研究綜述[J]. 高榮芳,吉春旭,程國建.  計(jì)算機(jī)與數(shù)字工程. 2016(10)
[9]深度學(xué)習(xí)研究進(jìn)展[J]. 郭麗麗,丁世飛.  計(jì)算機(jī)科學(xué). 2015(05)
[10]深度學(xué)習(xí)研究綜述[J]. 尹寶才,王文通,王立春.  北京工業(yè)大學(xué)學(xué)報(bào). 2015(01)

碩士論文
[1]基于深度學(xué)習(xí)的鱗翅目昆蟲圖像處理研究[D]. 馬夢園.浙江工商大學(xué) 2018
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的巖石圖像分類研究與應(yīng)用[D]. 吉春旭.西安石油大學(xué) 2017
[3]基于深度學(xué)習(xí)的圖像分類研究[D]. 雷曉靜.西安電子科技大學(xué) 2017
[4]基于深度學(xué)習(xí)的體育視頻關(guān)鍵姿態(tài)檢測[D]. 張世杰.北京工業(yè)大學(xué) 2017
[5]圖像處理技術(shù)在布匹缺陷檢測中的應(yīng)用研究[D]. 宋孟顏.河南大學(xué) 2016
[6]基于數(shù)字圖像處理技術(shù)的智能瑕疵檢測系統(tǒng)的開發(fā)與應(yīng)用[D]. 劉超.吉林大學(xué) 2014
[7]基于深度神經(jīng)網(wǎng)絡(luò)的橋牌識(shí)別系統(tǒng)研究[D]. 章焱.廈門大學(xué) 2014
[8]基于機(jī)器視覺的無紡布缺陷在線檢測技術(shù)研究[D]. 張渤.華中科技大學(xué) 2013
[9]基于閾值分割的織物疵點(diǎn)檢測技術(shù)研究與實(shí)現(xiàn)[D]. 陳巖.北京工業(yè)大學(xué) 2012
[10]基于圖像處理的混凝土裂縫寬度檢測技術(shù)的研究[D]. 盧曉霞.電子科技大學(xué) 2010



本文編號(hào)：3550608