輪轂作為汽車行駛過程中的重要組成部分,對人們的出行安全至關(guān)重要。輪轂在鑄造過程中,不可避免的存在人眼難以辨別的缺陷,嚴(yán)重影響汽車安全運(yùn)行以及人們的安全出行。因此,定期進(jìn)行輪轂缺陷檢測是非常有必要的。傳統(tǒng)檢測方法的大部分工作是由人工來完成的,這需要重復(fù)的人工勞動,從而減小了檢測的智能化。針對建立輪轂無損檢測智能化的需要,提升輪轂缺陷檢測的準(zhǔn)確性,本文針對傳統(tǒng)檢測方法的局限性,依據(jù)輪轂X射線圖像,結(jié)合深度學(xué)習(xí)技術(shù),采用一種基于深度學(xué)習(xí)的輪轂缺陷分割方法。本文主要工作如下:1.簡要介紹了本文的研究背景及意義,輪轂缺陷檢測的概況,深度學(xué)習(xí)的現(xiàn)狀以及深度學(xué)習(xí)在圖像識別中的應(yīng)用。采用一種基于深度學(xué)習(xí)算法的輪轂缺陷自動分割方法,利用卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的非線性特點(diǎn),使用深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)來對人的視覺感知做出模擬。2.本文對深度學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)進(jìn)行介紹。卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)包括卷積層、池化層、激活函數(shù)等,然后對卷積神經(jīng)網(wǎng)絡(luò)的前向傳播和反向傳播、隨機(jī)梯度下降算法進(jìn)行了介紹。3.將卷積神經(jīng)網(wǎng)絡(luò)運(yùn)用到輪轂缺陷分割中。對帶有缺陷的輪轂圖像做缺陷標(biāo)記處理,進(jìn)行數(shù)據(jù)增強(qiáng)與擴(kuò)充,并做歸一化... 

【文章來源】：中北大學(xué)山西省

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【部分圖文】：

輪轂缺陷半自動檢測的模式

中北大學(xué)學(xué)位論文14學(xué)實(shí)驗(yàn)，在ImageNet圖像識別大賽之后，卷積神經(jīng)網(wǎng)絡(luò)得到了飛速發(fā)展。目前已經(jīng)引領(lǐng)了大多數(shù)研究領(lǐng)域的浪潮，特別是計(jì)算機(jī)視覺和語音識別領(lǐng)域。同時(shí)，隨著深度學(xué)習(xí)領(lǐng)域的YoshuaBengio、YannLeCun、GeoffreyHinton三名科學(xué)家獲得2018年計(jì)算機(jī)界最負(fù)盛名的圖靈獎(jiǎng)，這充分顯示出深度學(xué)習(xí)技術(shù)的潛力，體現(xiàn)出深度學(xué)習(xí)對人類的貢獻(xiàn)。在未來，卷積神經(jīng)網(wǎng)絡(luò)將更加智能化，具有無限可能的應(yīng)用前景。2.2.1卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)通過對神經(jīng)元(ArtificialNeuron)工作模式的模擬，建立了神經(jīng)網(wǎng)絡(luò)。于是，神經(jīng)元是神經(jīng)網(wǎng)絡(luò)CNN的基本單位，如圖2-2所示。依據(jù)生物神經(jīng)元接受“神經(jīng)遞質(zhì)”和生成“興奮物質(zhì)”的特性，設(shè)計(jì)了人工神經(jīng)元。它能模仿人類神經(jīng)元運(yùn)作原理，即神經(jīng)元接收到外界樣本輸入時(shí)，經(jīng)過神經(jīng)元內(nèi)函數(shù)處理，會得到一個(gè)新的特征值，這個(gè)特征值作為新的輸入，輸入給下一個(gè)神經(jīng)元。同時(shí)，一個(gè)神經(jīng)元能接受上一層的多個(gè)神經(jīng)元的輸出信號。其中每個(gè)輸入xi都有一個(gè)約束參數(shù)wi，而在神經(jīng)元內(nèi)部，都有一個(gè)閾值(threshold)和一個(gè)偏差(bias)，神經(jīng)元被激活的條件為：輸入數(shù)據(jù)達(dá)到閾值大校f)()(,xhbw圖2-2單個(gè)神經(jīng)元Fig.2-2Singleneuron上圖中，X1，X2，X3為輸入樣本，經(jīng)過內(nèi)部函數(shù)f(·)運(yùn)算，最后加上偏置b得到輸出結(jié)果，結(jié)果為：)(,xhybw，這樣便完成了單個(gè)神經(jīng)元的計(jì)算過程。

中北大學(xué)學(xué)位論文15在常見的多層神經(jīng)網(wǎng)絡(luò)中，網(wǎng)絡(luò)的連接方式一般為全連接的方式，當(dāng)前層的每一個(gè)神經(jīng)元與上一層所有神經(jīng)元相連，即當(dāng)前層的每一個(gè)神經(jīng)元的輸入為上一層所有神經(jīng)元的輸出，同時(shí)每一層都存在多個(gè)并行神經(jīng)元。于是，多層神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)包含輸入層、隱藏層以及輸出層[60]。如圖2-3所示是一個(gè)簡單的3層神經(jīng)網(wǎng)絡(luò)。)(,xhbw(2)W(2)b(1)W(1)b)2(2a)2(1a)2(3a圖2-3三層神經(jīng)網(wǎng)絡(luò)Fig.2-3Figure2-3Three-layerneuralnetwork其中L1是輸入層，分別用X1，X2，X3表示三個(gè)輸入神經(jīng)元。L2因?yàn)樵谶\(yùn)算過程中無法得到神經(jīng)元的訓(xùn)練參數(shù)，故名隱藏層，L3是輸出層，由一個(gè)神經(jīng)元組成，輸出的結(jié)果用)(,xhbw表示。在多層神經(jīng)網(wǎng)絡(luò)中，神經(jīng)元排列是層級排列，其中每一層都存在并行的多個(gè)神經(jīng)元。神經(jīng)網(wǎng)絡(luò)中，輸入層接收輸入數(shù)據(jù)，通過自帶函數(shù)輸出結(jié)果，作為下一層每個(gè)神經(jīng)元的輸入，以逐層傳遞的方式向前直到輸出層，最后輸出預(yù)測結(jié)果。對應(yīng)的公式為：)()1(13)1(132)1(121)1(11)2(1xWafxbxWW(2-1))()1(23)1(232)1(221)1(21)2(2xWafxbxWW(2-2))()1(33)1(332)1(321)1(31)2(3xWafxbxWW(2-3)

【參考文獻(xiàn)】：
期刊論文
[1]融合YOLO檢測的多目標(biāo)跟蹤算法[J]. 李星辰,柳曉鳴,成曉男.  計(jì)算機(jī)工程與科學(xué). 2020(04)
[2]GNNI U-net:基于組歸一化與最近鄰插值的MRI左心室輪廓精準(zhǔn)分割網(wǎng)絡(luò)[J]. 高強(qiáng),高敬陽,趙地.  計(jì)算機(jī)科學(xué). 2020(08)
[3]卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化和函數(shù)選擇[J]. 展華偉,唐艷,付婧.  太原師范學(xué)院學(xué)報(bào)(自然科學(xué)版). 2020(01)
[4]基于CNN噪聲分離模型的噪聲水平估計(jì)算法[J]. 徐少平,劉婷云,李崇禧,唐祎玲,胡凌燕.  計(jì)算機(jī)研究與發(fā)展. 2019(05)
[5]混合PSO優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)[J]. 唐賢倫,劉慶,張娜,周家林.  電子科技大學(xué)學(xué)報(bào). 2018(02)
[6]汽車輪轂缺陷檢測中的缺陷增強(qiáng)與字符去除技術(shù)[J]. 丁杰,王明泉,張俊生,路曉冬.  科學(xué)技術(shù)與工程. 2017(35)
[7]神經(jīng)網(wǎng)絡(luò)技術(shù)初探[J]. 張瑞.  電子世界. 2017(23)
[8]LBP和HOG的分層特征融合的人臉識別[J]. 萬源,李歡歡,吳克風(fēng),童恒慶.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2015(04)
[9]深度神經(jīng)網(wǎng)絡(luò)在維吾爾語大詞匯量連續(xù)語音識別中的應(yīng)用[J]. 麥麥提艾力·吐爾遜,戴禮榮.  數(shù)據(jù)采集與處理. 2015(02)
[10]基于X射線的汽車方向盤缺陷檢測與識別技術(shù)[J]. 李高亮,王明泉,張俊生,趙曉霞,王曉鵬.  核電子學(xué)與探測技術(shù). 2012(08)

博士論文
[1]極速學(xué)習(xí)機(jī)的訓(xùn)練殘差、穩(wěn)定性及泛化能力研究[D]. 付愛民.中國農(nóng)業(yè)大學(xué) 2015

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類算法研究[D]. 陳奇星.南昌航空大學(xué) 2019
[2]鋼管焊縫缺陷類型檢測[D]. 王璐.西安理工大學(xué) 2018
[3]基于深度學(xué)習(xí)的目標(biāo)檢測與識別研究[D]. 張鵬飛.東北大學(xué) 2017
[4]基于混合高斯模型匹配的紋理分類研究[D]. 郝華.大連理工大學(xué) 2016
[5]鋼芯傳送帶缺陷檢測系統(tǒng)中圖像處理算法研究[D]. 劉振東.山西大學(xué) 2015
[6]汽車輪轂內(nèi)部缺陷自動檢測技術(shù)[D]. 石浪.中北大學(xué) 2015
[7]基于水平集的灰度不均勻圖像分割研究[D]. 吳煒峰.華南理工大學(xué) 2013
[8]基于目標(biāo)提取與匹配的汽車輪轂鑄件缺陷檢測技術(shù)研究[D]. 何再興.浙江大學(xué) 2008



本文編號：3221911