精密鑄件的質(zhì)量問題一直是人們關(guān)注的焦點(diǎn),目前對(duì)于精密鑄件的缺陷檢測大多依靠人工來識(shí)別,識(shí)別速度慢、易受人的疲勞因素干擾。近年來基于機(jī)器視覺的鑄件缺陷檢測技術(shù)已經(jīng)在工業(yè)生產(chǎn)中被研究與應(yīng)用,但是由于缺陷種類繁多、缺陷樣本復(fù)雜等因素,傳統(tǒng)基于機(jī)器視覺的圖像處理方法難以準(zhǔn)確地描述缺陷特征,使得該方法的有效性不能滿足實(shí)際工業(yè)檢測要求。隨著深度學(xué)習(xí)在圖像處理技術(shù)中的發(fā)展,相比于傳統(tǒng)機(jī)器視覺的鑄件缺陷檢測方法,由于其深層次的神經(jīng)網(wǎng)絡(luò)可以提取豐富的鑄件缺陷特征表示,使得基于深度學(xué)習(xí)的鑄件缺陷檢測方法可以提高檢測性能。因此本文針對(duì)工廠生產(chǎn)的某種精密鑄件的缺陷檢測要求研究了基于深度學(xué)習(xí)的鑄件缺陷檢測方法,主要工作與成果如下:（1）在AlexNet模型的基礎(chǔ)上提出了一種哈希分類網(wǎng)絡(luò),提高了精密鑄件的分類準(zhǔn)確度與速度。在原始網(wǎng)絡(luò)AlexNet的輸出層前增加一個(gè)哈希層,將輸入圖像映射成為替代原始網(wǎng)絡(luò)高維向量輸出的簡單二進(jìn)制哈希代碼,進(jìn)而在哈希層中設(shè)計(jì)了一種分塊優(yōu)化模型,降低了每個(gè)哈希代碼之間的冗余性。實(shí)驗(yàn)結(jié)果表明,在鑄件數(shù)據(jù)集下,本文方法的性能要優(yōu)于AlexNet和其他一些基于哈希算法的CNN（Convolut... 

【文章來源】：太原科技大學(xué)山西省

【文章頁數(shù)】：137 頁

【學(xué)位級(jí)別】：博士

【部分圖文】：

機(jī)器視覺檢測系統(tǒng)及X射線圖像檢測系統(tǒng)的主要組成

場設(shè)備對(duì)檢測目標(biāo)進(jìn)行處理，比如根據(jù)圖像的分類結(jié)果對(duì)不同類別的檢測目標(biāo)進(jìn)行后續(xù)的相應(yīng)操作。采用機(jī)器視覺系統(tǒng)的主要目的就是取代人工視覺，尤其是在一些不合適人工作業(yè)的危險(xiǎn)工作環(huán)境或者人工目視難以滿足實(shí)際需求的情況下。當(dāng)人工目視被機(jī)器視覺頂替后，不但能夠很大程度上提高檢測精度和檢測速度，從而提升生產(chǎn)工藝的自動(dòng)化水平，而且對(duì)于信息的整合是十分有利的，從而能夠?qū)崿F(xiàn)生產(chǎn)管理的智能化。根據(jù)檢測目標(biāo)不同，可以將機(jī)器視覺檢測系統(tǒng)分為以下幾種類型：缺陷檢測、尺寸檢測、結(jié)構(gòu)檢測和系統(tǒng)運(yùn)行狀態(tài)檢測等類型，如圖1.3所示。圖1.3機(jī)器視覺檢測系統(tǒng)的類型Fig.1.3Typesofmachinevisiondetectionsystems對(duì)基于機(jī)器視覺檢測技術(shù)的相關(guān)研究，西方發(fā)達(dá)國家開展的時(shí)間要比我國早很多，在上世紀(jì)七十年代，美國的許多工業(yè)部門就開始研究與應(yīng)用機(jī)器視覺檢測技術(shù)。比如在汽車制造業(yè)中運(yùn)用機(jī)器視覺檢測技術(shù)，克服了針對(duì)汽車零部件傳統(tǒng)人工檢測方式耗時(shí)耗力的缺點(diǎn)，從而提高了檢測效率。之后隨著各發(fā)達(dá)國家對(duì)機(jī)器視覺理論研究的不斷重視，

緒論13對(duì)數(shù)據(jù)進(jìn)行處理實(shí)現(xiàn)特征表達(dá)，最后就是機(jī)器學(xué)習(xí)的部分，對(duì)特征進(jìn)行推理、預(yù)測或者識(shí)別。其中，對(duì)于特征表達(dá)而言，良好的特征表達(dá)對(duì)最終算法的準(zhǔn)確性起到了決定性的作用，而且計(jì)算機(jī)的主要運(yùn)算也消耗在了這一部分上。但是，在實(shí)際應(yīng)用中，傳統(tǒng)的機(jī)器視覺特征的表達(dá)都是靠人工來完成的，被稱為人工提取特征，具有代表性的是Sift[76]和HoG[77]特征等。這些人工特征都具有很強(qiáng)的可區(qū)分性，使得很多問題能夠得到解決，但是這些特征的選取是十分費(fèi)力的，能否選擇好很大程度上依賴人的經(jīng)驗(yàn)與運(yùn)氣，并且調(diào)節(jié)它們所花費(fèi)的時(shí)間也很長。深度學(xué)習(xí)受到神經(jīng)科學(xué)、生物學(xué)等學(xué)科的啟發(fā)，模擬人腦工作流程，如圖1.5所示。人類邏輯思維是一個(gè)不斷迭代和不斷抽象的過程：從原始信號(hào)，做低級(jí)抽象，逐漸向高級(jí)抽象迭代。從圖1.5中可以看到，當(dāng)原始信號(hào)（像素）被人眼瞳孔攝入，接著是大腦皮層對(duì)信號(hào)進(jìn)行初步處理，發(fā)現(xiàn)信號(hào)的邊緣和方向，然后進(jìn)行大腦判斷物體形狀的抽象操作，隨后進(jìn)一步抽象判斷物體的類別。從中可以看出，人的視覺系統(tǒng)在對(duì)外界信息的認(rèn)知上是通過分層處理的。從底層V1區(qū)獲得物體的局部邊緣特征，再到V2區(qū)的形狀和其他物體部分特征，進(jìn)而到更高層目標(biāo)整體的特征表示。高層特征表示是通過底層特征表示組合而來的，并且由底層到高層的特征轉(zhuǎn)換所表達(dá)的含義逐漸抽象化，最終得到目標(biāo)含義與意圖。抽象層越多，存在的猜測可能就會(huì)越少，越有利于判定目標(biāo)。深度學(xué)習(xí)網(wǎng)絡(luò)框架就是參考了人的分層視覺處理系統(tǒng)，使用多層感知網(wǎng)絡(luò)讓機(jī)器自動(dòng)學(xué)習(xí)良好的特征，最終獲得更加抽象的特征表達(dá)。圖1.5人腦視覺系統(tǒng)工作過程Fig.1.5Humanbrainvisualsystemworkingprocess

【參考文獻(xiàn)】：
期刊論文
[1]渦流檢測技術(shù)在鋼軌焊縫探傷中的應(yīng)用[J]. 段春輝,石洪生.  鐵路技術(shù)創(chuàng)新. 2019(02)
[2]淺談向量組的線性相關(guān)性[J]. 李丹,向盼莉.  好家長. 2018(84)
[3]機(jī)器視覺表面缺陷檢測綜述[J]. 湯勃,孔建益,伍世虔.  中國圖象圖形學(xué)報(bào). 2017(12)
[4]基于超聲波原理的管道缺陷檢測裝置可靠性研究[J]. 陳昂,周承虎.  石油和化工設(shè)備. 2017(08)
[5]熱軋板帶表面缺陷檢測系統(tǒng)設(shè)計(jì)與研究[J]. 屈爾慶,陳海永,劉坤,孫鶴旭.  燕山大學(xué)學(xué)報(bào). 2017(03)
[6]熒光磁粉表面缺陷檢測系統(tǒng)[J]. 高敏杰,卜雄洙,孫斌,王正成,張振.  無損檢測. 2017(02)
[7]壓力容器無損檢測——滲透檢測技術(shù)[J]. 賀鵬.  中外企業(yè)家. 2016(24)
[8]基于機(jī)器視覺的工件鋸片缺陷檢測系統(tǒng)設(shè)計(jì)[J]. 管小衛(wèi),丁琳.  軟件工程. 2016(08)
[9]基于深度學(xué)習(xí)特征匹配的鑄件微小缺陷自動(dòng)定位方法[J]. 余永維,杜柳青,曾翠蘭,張建恒.  儀器儀表學(xué)報(bào). 2016(06)
[10]淺談磁粉檢測技術(shù)[J]. 周懷忠.  黑龍江科技信息. 2016(08)

碩士論文
[1]基于渦流技術(shù)的鋼板表面缺陷檢測系統(tǒng)研究[D]. 趙亞飛.沈陽工業(yè)大學(xué) 2017
[2]基于自組織神經(jīng)網(wǎng)絡(luò)與模糊算法的彩色圖像聚類分割系統(tǒng)[D]. 欒龍?jiān)?西安電子科技大學(xué) 2010
[3]基于圖像的磁粉探傷技術(shù)研究[D]. 孫瑞.長春理工大學(xué) 2009



本文編號(hào)：3091715