某電子公司生產(chǎn)的高頻變壓器外觀缺陷檢測和分類,目前都是由人工完成,存在誤檢測、效率低、受人情緒及疲勞等狀態(tài)影響大、檢測一致性難保證等問題。由此開發(fā)了機(jī)器視覺檢測系統(tǒng),但該系統(tǒng)為傳統(tǒng)視覺檢測原理,特征提取過于依賴于人的經(jīng)驗(yàn),并且其提取缺陷特征主要為表層特征,不能利用隱藏的數(shù)據(jù)分布信息。深度學(xué)習(xí)與視覺檢測結(jié)合應(yīng)用于表面缺陷視覺智能檢測是目前的研究熱點(diǎn)和具有廣泛應(yīng)用前景。本文針對高頻變壓器外觀缺陷檢測,研究了基于深度學(xué)習(xí)的高頻變壓器表面缺陷視覺檢測算法。首先,對表面缺陷的傳統(tǒng)視覺檢測方法和深度學(xué)習(xí)的視覺檢測方法特點(diǎn)進(jìn)行了分析。針對高頻變壓器缺陷種類多、檢測背景復(fù)雜等特點(diǎn),構(gòu)思了深度學(xué)習(xí)與視覺檢測方法相結(jié)合的思路,進(jìn)行了項(xiàng)目的需求分析和深度學(xué)習(xí)檢測模型性能比較,選擇了以YOLO V3網(wǎng)絡(luò)模型為本文的表面缺陷視覺檢測的基準(zhǔn)模型。其次,針對原始YOLO V3網(wǎng)絡(luò)模型的初始參數(shù)對高頻變壓器外觀缺陷視覺檢測準(zhǔn)確率不高的問題,選用了阿里天池大賽提供的鋁材缺陷數(shù)據(jù)集對YOLO V3網(wǎng)絡(luò)模型進(jìn)行預(yù)訓(xùn)練,所得權(quán)重參數(shù)作為高頻變壓器表面缺陷檢測網(wǎng)絡(luò)的初始值。實(shí)驗(yàn)表明,此改進(jìn)可使模型的整體檢測準(zhǔn)確率提高1%。第三... 

【文章來源】：江西理工大學(xué)江西省

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【部分圖文】：

014-2018年各類產(chǎn)品年產(chǎn)量

高頻變壓

要求。我國目前的高頻變壓器生產(chǎn)依賴于機(jī)械自動制造，因?yàn)楣ば蚝凸に�、以及操作不�?dāng)?shù)纫蛩�，高頻變壓器難免會出現(xiàn)各類問題，其中最為普遍且最為突出的問題便是高頻變壓器的外觀缺陷。以本課題所依托的江西省某電子公司的高頻變壓器生產(chǎn)情況為例，該公司高頻變壓器存在的外觀缺陷總計(jì)有大約以下幾類：長短腳、連錫、沾錫、字符模糊、內(nèi)膠破損、內(nèi)膠沾污漬等。本文針對出現(xiàn)頻次最高的字符模糊，內(nèi)膠破損及內(nèi)膠沾污漬進(jìn)行重點(diǎn)分析，提出相應(yīng)的解決方案，以解決該公司次品率過高的問題。字符模糊，內(nèi)膠破損及內(nèi)膠沾污漬的示例圖如圖1.2所示。(a)內(nèi)膠破損(b)內(nèi)膠污漬(c)字符模糊圖1.2高頻變壓器缺陷示例圖1.1.2研究意義隨著經(jīng)濟(jì)的快速發(fā)展，人們對于制造業(yè)產(chǎn)品的要求已經(jīng)不再僅僅停留在它的使用性能和使用壽命層面，同時(shí)也對產(chǎn)品精美的外觀有著殷切的期待。因此產(chǎn)品出廠前的外觀檢測環(huán)節(jié)已經(jīng)成為制造商越來越重視的環(huán)節(jié)之一。而傳統(tǒng)的使用人工分揀判斷產(chǎn)品外觀質(zhì)量的方式在面對數(shù)以億計(jì)的產(chǎn)品時(shí)，會顯得力不從心，而且人工分揀的方式存在諸多主觀判斷，以及高額的成本問題。如何快捷且節(jié)省成本的完成高標(biāo)準(zhǔn)的外觀質(zhì)量檢測工作儼然成為制造企業(yè)的一塊心玻根據(jù)市場調(diào)查統(tǒng)計(jì)，由于產(chǎn)品存在瑕疵問題，使得產(chǎn)品價(jià)格大幅度下降，企業(yè)產(chǎn)品收益遭受巨大損失。在競爭日益激烈、全球經(jīng)濟(jì)一體化的今天，怎樣才能使得企業(yè)產(chǎn)品具有更強(qiáng)的市場競爭力，確保產(chǎn)品質(zhì)量無疑是最為重要的因素，產(chǎn)品質(zhì)量檢測工作作為產(chǎn)品質(zhì)量控制的核心環(huán)節(jié)，在任何產(chǎn)品生產(chǎn)制造過程中都具有重大意義。隨著智能電網(wǎng)、能源互聯(lián)網(wǎng)等未來電網(wǎng)技術(shù)的快速發(fā)展，高頻變壓器作為相關(guān)領(lǐng)域內(nèi)的核心組成部件，其重要性不言而喻。目前，針對高頻變壓器的外觀質(zhì)量檢測方式有兩種：第一種是，在生產(chǎn)過

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)YOLO v3的目標(biāo)檢測算法[J]. 趙瓊,李寶清,李唐薇.  激光與光電子學(xué)進(jìn)展. 2020(12)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)算法的馬鈴薯表面缺陷檢測[J]. 許偉棟,趙忠蓋.  江蘇農(nóng)業(yè)學(xué)報(bào). 2018(06)
[3]輸電線路絕緣子自爆缺陷識別方法[J]. 侯春萍,章衡光,張巍,楊陽,張貴峰,田治仁.  電力系統(tǒng)及其自動化學(xué)報(bào). 2019(06)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的晶圓缺陷檢測與分類算法[J]. 邡鑫,史崢.  計(jì)算機(jī)工程. 2018(08)
[5]基于深度學(xué)習(xí)的木材缺陷圖像檢測方法[J]. 程玉柱,顧權(quán),王眾輝,李趙春.  林業(yè)機(jī)械與木工設(shè)備. 2018(08)
[6]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(bào). 2018(07)
[7]基于紅外圖像識別的輸電線路故障診斷方法[J]. 王淼,杜偉,孫鴻博,張靜.  紅外技術(shù). 2017(04)
[8]基于卷積神經(jīng)網(wǎng)絡(luò)的蘋果缺陷檢測算法[J]. 劉云,楊建濱,王傳旭.  電子測量技術(shù). 2017(03)
[9]基于梯度方向和強(qiáng)度直方圖的紅外行人檢測[J]. 朱聰聰,項(xiàng)志宇.  計(jì)算機(jī)工程. 2014(12)
[10]改進(jìn)的SIFT特征提取和匹配算法[J]. 曾巒,王元?dú)J,譚久彬.  光學(xué)精密工程. 2011(06)

博士論文
[1]基于特征共享的高效物體檢測[D]. 任少卿.中國科學(xué)技術(shù)大學(xué) 2016

碩士論文
[1]基于深度學(xué)習(xí)的動態(tài)背景下航道船舶檢測識別與跟蹤研究[D]. 吳喆.三峽大學(xué) 2019
[2]基于深度學(xué)習(xí)的表面缺陷檢測方法研究[D]. 張浩.蘇州大學(xué) 2018



本文編號：3592868