樹脂鏡片缺陷自動(dòng)化檢測(cè)一直以來(lái)都是鏡片制造業(yè)領(lǐng)域的一個(gè)難題。目前樹脂鏡片廠商的檢測(cè)方法主要采用人工目測(cè)的方法,效率低下、誤檢率高。國(guó)內(nèi)研究學(xué)者一般采用人工特征提取方法來(lái)提取鏡片缺陷特征,對(duì)鏡片缺陷特征識(shí)別研究做出了一定的努力,不過(guò)依舊停留在研究階段。針對(duì)樹脂鏡片缺陷,采用深度學(xué)習(xí)算法為鏡片缺陷自動(dòng)化檢測(cè)提供一種有效的缺陷識(shí)別方法。鏡片檢測(cè)中的重要問(wèn)題是多缺陷識(shí)別,需要解決對(duì)缺陷的真?zhèn)伪孀R(shí)和形態(tài)區(qū)分。真?zhèn)伪孀R(shí)主要是解決鏡片內(nèi)在缺陷與鏡片表面灰塵的區(qū)分,形態(tài)區(qū)分主要是解決多缺陷的類別和位置確認(rèn)。本文將針對(duì)這兩類問(wèn)題開展研究工作。針對(duì)以上問(wèn)題,選取樹脂鏡片中最主要的四種缺陷（氣泡、毛絮、劃痕、麻點(diǎn)）和附著在樹脂鏡片上的灰塵為研究對(duì)象。針對(duì)鏡片表面的灰塵對(duì)麻點(diǎn)缺陷識(shí)別造成干擾的問(wèn)題,分析灰塵和麻點(diǎn)的形態(tài)特點(diǎn),由于灰塵在形態(tài)上比麻點(diǎn)要小很多,因此嘗試使用形態(tài)學(xué)處理方法研究去除灰塵的干擾。針對(duì)形態(tài)區(qū)分的多缺陷識(shí)別問(wèn)題,以整張樹脂鏡片圖像作為研究對(duì)象,識(shí)別一張鏡片中多個(gè)缺陷的,提出一種基于退化YOLO網(wǎng)絡(luò)的樹脂鏡片缺陷識(shí)別方法,使用深度學(xué)習(xí)來(lái)對(duì)一張圖片中的多個(gè)缺陷同時(shí)識(shí)別。結(jié)果表明,在去除鏡片表面的... 

【文章來(lái)源】：哈爾濱理工大學(xué)黑龍江省

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 鏡片缺陷檢測(cè)國(guó)內(nèi)外研究現(xiàn)狀
    1.3 深度學(xué)習(xí)在圖像分類領(lǐng)域的研究現(xiàn)狀
    1.4 本文研究?jī)?nèi)容
第2章 鏡片圖像采集與方案設(shè)計(jì)
    2.1 樹脂鏡片質(zhì)量特征分析
    2.2 樹脂鏡片圖像采集
        2.2.1 光源及照明方式的選擇
        2.2.2 樹脂鏡片缺陷基本類型選擇
    2.3 缺陷識(shí)別方案設(shè)計(jì)
    2.4 本章小結(jié)
第3章 圖像預(yù)處理
    3.1 圖像去噪
        3.1.1 高斯濾波
        3.1.2 雙邊濾波
    3.2 光照不均的解決方案
        3.2.1 直方圖均衡化
        3.2.2 基于二維伽馬函數(shù)的圖像自適應(yīng)校正算法
    3.3 形態(tài)學(xué)除塵去偽
        3.3.1 形態(tài)學(xué)腐蝕與膨脹
        3.3.2 形態(tài)學(xué)除塵
    3.4 本章小結(jié)
第4章 基于退化YOLO網(wǎng)絡(luò)的缺陷識(shí)別方法研究
    4.1 卷積神經(jīng)網(wǎng)絡(luò)
        4.1.1 網(wǎng)絡(luò)結(jié)構(gòu)
        4.1.2 Logistic回歸與Softmax多分類
    4.2 YOLO算法理論分析
        4.2.1 YOLO算法基本思想
        4.2.2 非極大值抑制
        4.2.3 損失函數(shù)
    4.3 退化YOLO網(wǎng)絡(luò)缺陷識(shí)別算法
        4.3.1 基于退化YOLO網(wǎng)絡(luò)缺陷識(shí)別算法分析
        4.3.2 退化YOLO網(wǎng)絡(luò)損失函數(shù)
    4.4 樹脂鏡片數(shù)據(jù)集的建立
        4.4.1 數(shù)據(jù)增強(qiáng)
        4.4.2 數(shù)據(jù)標(biāo)注
    4.5 本章小結(jié)
第5章 鏡片缺陷檢測(cè)實(shí)驗(yàn)結(jié)果對(duì)比與分析
    5.1 網(wǎng)絡(luò)模型結(jié)構(gòu)
    5.2 實(shí)驗(yàn)結(jié)果與分析
        5.2.1 訓(xùn)練過(guò)程變化曲線
        5.2.2 模型評(píng)價(jià)
    5.3 綜合分析
    5.4 實(shí)驗(yàn)環(huán)境
    5.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士期間發(fā)表的論文及所取得的研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的字符識(shí)別技術(shù)研究[J]. 崔麗.  自動(dòng)化技術(shù)與應(yīng)用. 2018(11)
[2]一種HOG特征模板匹配算法[J]. 崔偉清,黨長(zhǎng)春,張旺,王洪洲,羅勇牙.  機(jī)械管理開發(fā). 2018(11)
[3]基于改進(jìn)YOLO算法的全景多目標(biāo)實(shí)時(shí)檢測(cè)[J]. 蔡成濤,吳科君,劉秋飛,程海濤,馬強(qiáng).  計(jì)算機(jī)工程與設(shè)計(jì). 2018(10)
[4]一種新的分類受限玻爾茲曼機(jī)改進(jìn)模型[J]. 尹靜,李唯唯,楊德紅,閆河.  小型微型計(jì)算機(jī)系統(tǒng). 2018(07)
[5]改進(jìn)Softmax分類器的深度卷積神經(jīng)網(wǎng)絡(luò)及其在人臉識(shí)別中的應(yīng)用[J]. 冉鵬,王靈,李昕,劉鵬偉.  上海大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(03)
[6]基于預(yù)處理與卷積神經(jīng)網(wǎng)絡(luò)的塑件劃痕檢測(cè)[J]. 崔熾標(biāo),李陽(yáng),毛霆,張?jiān)?  模具工業(yè). 2017(09)
[7]中國(guó)樹脂鏡片質(zhì)量狀況和分析[J]. 孫環(huán)寶.  中國(guó)眼鏡科技雜志. 2017(09)
[8]基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像目標(biāo)檢測(cè)[J]. 尹勰,閆磊.  工業(yè)控制計(jì)算機(jī). 2017(04)
[9]一種光照不均勻圖像的自適應(yīng)校正算法[J]. 王殿偉,王晶,許志杰,劉穎.  系統(tǒng)工程與電子技術(shù). 2017(06)
[10]玻璃檢測(cè)過(guò)程中精確定位系統(tǒng)[J]. 李青,盧宏文.  自動(dòng)化技術(shù)與應(yīng)用. 2016(12)

博士論文
[1]基于線陣掃描的自動(dòng)光學(xué)檢測(cè)系統(tǒng)關(guān)鍵技術(shù)研究[D]. 陳鎮(zhèn)龍.電子科技大學(xué) 2013

碩士論文
[1]面向機(jī)器視覺(jué)應(yīng)用的智能光源設(shè)計(jì)與優(yōu)化研究[D]. 駱偉岸.廣東工業(yè)大學(xué) 2018
[2]基于生成對(duì)抗網(wǎng)絡(luò)的圖像類別不平衡問(wèn)題數(shù)據(jù)擴(kuò)充方法[D]. 俞彬.華南理工大學(xué) 2018
[3]基于深度學(xué)習(xí)的目標(biāo)檢測(cè)與分割算法研究[D]. 王若辰.北京工業(yè)大學(xué) 2016
[4]深度學(xué)習(xí)及其在工件缺陷自動(dòng)檢測(cè)中的應(yīng)用研究[D]. 顏偉鑫.華南理工大學(xué) 2016
[5]光學(xué)表面疵病檢測(cè)系統(tǒng)及圖像處理技術(shù)研究[D]. 張家偉.南京理工大學(xué) 2016
[6]樹脂鏡片制造企業(yè)產(chǎn)品國(guó)產(chǎn)化項(xiàng)目的計(jì)劃與控制的研究[D]. 王卓.上海交通大學(xué) 2015
[7]光學(xué)鏡片表面疵病檢測(cè)算法研究[D]. 朱聰.西南交通大學(xué) 2014
[8]卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別上的應(yīng)用的研究[D]. 許可.浙江大學(xué) 2012
[9]大口徑光學(xué)元件表面疵病自動(dòng)化檢測(cè)系統(tǒng)關(guān)鍵問(wèn)題討論與研究[D]. 肖冰.浙江大學(xué) 2010
[10]基于雙邊濾波的圖像處理算法研究[D]. 王玉靈.西安電子科技大學(xué) 2010



本文編號(hào)：3211960