近年來,隨著計算機(jī)并行計算能力飛速提升,深度學(xué)習(xí)成為新時代智能產(chǎn)業(yè)關(guān)鍵技術(shù),在圖像分類,人臉識別,安防監(jiān)控,語音文字識別行業(yè)成效顯著,到達(dá)商用程度。工業(yè)火花塞作為汽車發(fā)動機(jī)點(diǎn)火系統(tǒng)的關(guān)鍵,它的檢測尤為重要。目標(biāo)檢測算法有很多種,其中結(jié)合深度學(xué)習(xí)的目標(biāo)檢測算法有兩種,一種是綜合區(qū)域建議以及特征提取兩步驟算法,另一種是只有分類回歸算法�；鸹ㄈ毕莘譃楹缚p和焊缺。目標(biāo)小,形態(tài)不一,數(shù)據(jù)繁雜。傳統(tǒng)火花塞缺陷檢測靠人工檢測比重很大,檢測任務(wù)繁重,肉眼不容易發(fā)現(xiàn),人為經(jīng)驗(yàn)檢測造成檢測誤差很大,而且沒有統(tǒng)一標(biāo)準(zhǔn)。用SVM支持向量機(jī),隨機(jī)森林等技術(shù)建模難度大,檢測準(zhǔn)確率低下,漏檢誤檢率高,檢測速度慢不適合在小目標(biāo)多形態(tài)目標(biāo)檢測中。針對上述檢測難度,本文對火花塞圖像進(jìn)行仔細(xì)研究,結(jié)合深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò),提出了一種基于Faster R-CNN（快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)）綜合區(qū)域建議和特征提取的目標(biāo)檢測方法火花塞圖像進(jìn)行缺陷檢測。針對火花塞焊缺圖像,利用圖像旋轉(zhuǎn)方法對數(shù)據(jù)集增強(qiáng),用卷積神經(jīng)網(wǎng)絡(luò)對焊縫區(qū)域精確定位并提取,并記錄火花塞圖像中焊缺的位置。針對火花塞焊縫圖像,利用橫移方法對數(shù)據(jù)擴(kuò)充,之后利用LabI... 

【文章來源】：中北大學(xué)山西省

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

本文算法流程圖

中北大學(xué)學(xué)位論文9剔除，最終得到目標(biāo)檢測結(jié)果。分類器主要有SVM,Adaboost等。SVM分類器SVM分類器是一種在多維特征中尋求最大分類間隔[20]。SVM分類器是由支持向量組成的，由系數(shù)向量和特征向量加權(quán)獲得分類得分，利用閾值對得分判斷向量的歸屬問題。該分類器引入核函數(shù)，提高分類精度同時也使得高維復(fù)雜特征線性可分。SVM分類器有很多優(yōu)點(diǎn)[21]，分類器學(xué)習(xí)出的模型對支持向量有很強(qiáng)的依賴，訓(xùn)練集種增加或者減少非支持向量點(diǎn)，都不會對結(jié)果有影響，原始數(shù)據(jù)維度不影響訓(xùn)練好的模型算法復(fù)雜度，使得該分類器廣泛應(yīng)用在檢測場景中。SVM分類器是尋求超平面的算法。超平面公式定義為：wbX0T（2-3）其中w是權(quán)重向量，X是實(shí)例，b代表偏置。假設(shè)2維特征向量，),(21xxX。圖2-1SVM示意圖Fig.2-1SchematicdiagramofSVM如圖2-1表示，將偏置b看做額外的權(quán)重，記為0w，超平面方程滿足：022110xwxww（2-4）所有超平面右上方點(diǎn)滿足：

中北大學(xué)學(xué)位論文30圖3-1原始數(shù)據(jù)與標(biāo)注人員粗略標(biāo)注Fig.3-1Originaldataandroughannotations火花塞原始圖像共有2069張，單個圖像尺寸為1152*1152。對圖像進(jìn)行分析，圖像中有的圖像雜質(zhì)太多，有的是誤分類為火花塞焊縫圖像的，對這些影響因素太多的圖像挑揀并拋去，之后剩下2000張圖像。由于圖像整體比較暗，采用直方圖均衡化以及灰度對比度的方法使得圖像的焊縫特征更加明顯。由于神經(jīng)網(wǎng)絡(luò)訓(xùn)練需要大數(shù)據(jù)，2000張圖像樣本比較少，接下來對數(shù)據(jù)集進(jìn)行擴(kuò)充。數(shù)據(jù)增強(qiáng)一般包括在數(shù)據(jù)空間或特征空間（或二者均有）上應(yīng)用一系列的遷移技術(shù)。在數(shù)據(jù)空間上應(yīng)用增強(qiáng)技術(shù)最常見，這種增強(qiáng)技術(shù)應(yīng)用遷移方法從已有數(shù)據(jù)中得到新的樣本。有很多的可用的遷移方法：平移、旋轉(zhuǎn)、扭曲、縮放、顏色空間轉(zhuǎn)換、裁剪以及生成對抗式網(wǎng)絡(luò)[46]等。這些方法的目標(biāo)均是通過生成更多的樣本來構(gòu)建更大的數(shù)據(jù)集，防止過擬合以及對模型進(jìn)行正則化，還可以對該數(shù)據(jù)集的各個類的大小進(jìn)行平衡，甚至手工地產(chǎn)生對當(dāng)前任務(wù)或應(yīng)用場景更加具有代表性的新樣本。由于本文檢測的焊縫基本全是直線，為了保證后續(xù)計算方便，本文采用平移變換的方法進(jìn)行數(shù)據(jù)集增強(qiáng)。對數(shù)據(jù)集中每張圖像數(shù)據(jù)分別進(jìn)行左平移50個像素單位和右平移30個像素單位。數(shù)據(jù)集增強(qiáng)到6000張圖片，可以滿足神經(jīng)網(wǎng)絡(luò)訓(xùn)練以及有很高的數(shù)據(jù)準(zhǔn)確率。單個原始圖像數(shù)據(jù)擴(kuò)充如圖3-2所示，圖(a)是樣本中單張圖片，圖(b)是原圖片向左平移結(jié)果，圖(c)是原圖片向右平移結(jié)果。

【參考文獻(xiàn)】：
期刊論文
[1]基于隨機(jī)森林的原發(fā)性高血壓心血管風(fēng)險預(yù)后模型[J]. 崔偉鋒,劉蕭蕭,韓靜旖,范軍銘.  中國老年學(xué)雜志. 2020(04)
[2]融合高斯混合模型和深度學(xué)習(xí)的目標(biāo)跟蹤[J]. 歐豐林,林淑彬.  吉林師范大學(xué)學(xué)報(自然科學(xué)版). 2020(01)
[3]MDSSD:multi-scale deconvolutional single shot detector for small objects[J]. Lisha CUI,Rui MA,Pei LV,Xiaoheng JIANG,Zhimin GAO,Bing ZHOU,Mingliang XU.  Science China（Information Sciences）. 2020(02)
[4]基于決策樹模型的節(jié)能決策分析研究[J]. 劉永光.  中國能源. 2020(01)
[5]基于深度學(xué)習(xí)的目標(biāo)檢測技術(shù)的研究綜述[J]. 羅元,王薄宇,陳旭.  半導(dǎo)體光電. 2020(01)
[6]淺談計算機(jī)視覺技術(shù)進(jìn)展及其新興應(yīng)用[J]. 余京蕾.  北京聯(lián)合大學(xué)學(xué)報. 2020(01)
[7]Faster＿RCNN用于工業(yè)火花塞圖像焊縫缺陷檢測[J]. 田珠,桂志國,張鵬程,趙瑞祥,婁潤東.  測試技術(shù)學(xué)報. 2020(01)
[8]基于深度學(xué)習(xí)的目標(biāo)檢測算法研究與應(yīng)用[J]. 鄺熠,陶果,朱玉潔,蔡偉立.  計算機(jī)產(chǎn)品與流通. 2020(01)
[9]改進(jìn)的AdaBoost-SVM算法用于無人機(jī)目標(biāo)跟蹤[J]. 左奎軍,李艷軍,曹愈遠(yuǎn),王宏宇.  武漢理工大學(xué)學(xué)報(交通科學(xué)與工程版). 2019(06)
[10]火花塞側(cè)電極定向的要求和實(shí)現(xiàn)方案[J]. 杜德魁,楊輝睦,周志強(qiáng).  汽車零部件. 2019(11)

碩士論文
[1]基于SVM和RPCA的目標(biāo)檢測算法若干研究[D]. 焦佳麗.南京郵電大學(xué) 2019
[2]基于改進(jìn)DPM算法的海洋牧場防盜系統(tǒng)研究與設(shè)計[D]. 張雄.東華理工大學(xué) 2019
[3]基于YOLO的實(shí)時目標(biāo)檢測方法研究[D]. 任培銘.江南大學(xué) 2019
[4]深度學(xué)習(xí)在圖像識別中的研究及應(yīng)用[D]. 李衛(wèi).武漢理工大學(xué) 2014



本文編號：3638057