金屬材料表面瑕疵會嚴重影響產(chǎn)品的質(zhì)量、安全性、使用性和美觀性,因此,在實際生產(chǎn)中將有問題的材料識別出來是至關(guān)重要的。傳統(tǒng)的人工識別和基于圖像處理的機器視覺識別無法應(yīng)對實際生產(chǎn)中復雜多變、缺少固定形態(tài)的表面瑕疵。本文基于人工智能和深度學習的思想,以鋁型材表面瑕疵作為突破口,主要應(yīng)用深度學習技術(shù)中的卷積神經(jīng)網(wǎng)絡(luò)對鋁型材表面瑕疵進行分類和檢測研究。本文首先介紹了金屬材料表面瑕疵識別的研究背景和國內(nèi)外研究現(xiàn)狀,指出了以鋁型材表面瑕疵為切入口,明確了本文主要是基于深度學習中的卷積神經(jīng)網(wǎng)絡(luò)對鋁型材表面瑕疵的分類和檢測進行研究。接著,詳細介紹了將深度學習引入鋁型材表面瑕疵研究中涉及的主要知識點,包括卷積層、池化層、Softmax回歸層、損失函數(shù)、卷積神經(jīng)網(wǎng)絡(luò)的訓練過程和主要參數(shù)等;并且搭建了用以訓練瑕疵分類網(wǎng)絡(luò)和檢測網(wǎng)絡(luò)的實驗環(huán)境,指出了利用Google cloud作為實驗平臺。然后,提出了一種適用于鋁型材表面瑕疵的自動的端到端分類網(wǎng)絡(luò)�；谶w移學習的思想解決了瑕疵圖像標簽化數(shù)據(jù)少的問題,并且利用數(shù)據(jù)增強策略極大的利用了源于阿里云平臺提供的數(shù)據(jù)集。此外,文章通過分析卷積核、特征圖像和顯著圖證明了該分類...

【文章頁數(shù)】：85 頁

【學位級別】：碩士

【部分圖文】：

圖１．１人工檢測??

用的識別方法，該方法利用抽查、肉眼觀測的方式，因而具有抽檢率低、準確性??不高、實時性差、效率低、勞動強度大、受人工經(jīng)驗和主觀因素影響大的缺點�。丁�。??圖１．１展示了生產(chǎn)現(xiàn)場通過人工的形式對產(chǎn)品、材料表面進行質(zhì)量檢測。??卜黎ｖ脅泰??圖１．１人工檢測??機器視覺識別是一種無接....

圖1.2幾SVRC竟賽歷年分類錯誤率折線圖

．人工智能和深度學習的思想，給其它眾多學科提供了很多參考和借鑒，例如：??無人駕駛、醫(yī)學領(lǐng)域的病理圖像分析［９］、語音識別等。因而，本文將深度學習引??

圖１．４冷軋綱表面瑕疵檢測系統(tǒng)結(jié)構(gòu)［１（）１??６??

圖１．５熱軋帶鋼表面瑕疵檢測系統(tǒng)結(jié)構(gòu)??

２００５年以來，北京科技大學的徐科團隊開始研制基于線陣ＣＣＤ攝像機的熱??軋帶鋼表面瑕疵檢測系統(tǒng)［２６，２７１，該系統(tǒng)已經(jīng)用于３條中厚板和２條熱軋帶鋼生產(chǎn)??線上，并且獲得了?２００８年冶金科學技術(shù)一等獎。圖１．５展示了熱軋帶鋼表面瑕??疵檢測系統(tǒng)的結(jié)構(gòu)。??松像１—＼?／——ｍ....

本文編號：4044896