目前很多工業(yè)場景下工件的表面缺陷檢測環(huán)節(jié)仍需要通過人工方式進行,很難采用自動化的設備來完成。該領域仍是困擾多個行業(yè)的行業(yè)難題。自從2013年深度學習領域在算力和理論上的大幅度發(fā)展,為該類問題的解決提供了希望。本文以電池表面、鋁板表面、汽車零件和布匹四個實際的工業(yè)缺陷檢測場景為背景,以兩階段目標檢測算法為基礎算法進行多方面的改進,全面將深度學習方法整合應用在工業(yè)場景中。本文的主要研究工作概述如下:首先,通過對工件進行光源實驗,設計了動態(tài)立體光源,解決了單一光源下很多缺陷無法成像的問題。采用多圖疊加聯(lián)合檢測的方式,保證了每一類缺陷都可以在相機下無所遁形。然后,為了盡可能準確的檢測到小目標和多尺度目標,本文在多尺度特征的提取方法上采取了三種方法。首先在圖像輸入網(wǎng)絡之前通過圖像金字塔的方式將輸入圖片進行預處理,將缺陷無論大小放縮到一個合適的尺度上,使檢測網(wǎng)絡在處理起來相對容易;其次在特征提取上采用了特征金字塔的方式,分別在檢測主網(wǎng)絡和候選框提取網(wǎng)絡中融入了特征金字塔的思想,使每一層特征圖都可以包含多尺度的信息;然后在主網(wǎng)絡最后一層特征圖采用了一個相關性約束,使特征圖的非相關性增強,可以在一層特... 

【文章來源】：哈爾濱工業(yè)大學黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：79 頁

【學位級別】：碩士

【部分圖文】：

YOLO檢測原理

圖 1-2 圖像分割方法示意圖隨后 Google 公司陸續(xù)發(fā)布了 Deeplab v1、v2、v3、v3+四種方法，創(chuàng)造性提出了帶孔卷積、ASPP 等結構，也使得圖形分割任務一舉發(fā)展到比較高的水平，即使不借助 CRF 方法，憑借網(wǎng)絡本身也可以得到很細致的分割外形，達到官方宣傳的發(fā)絲級分割。目前業(yè)界缺陷檢測方法也開始借鑒圖像分割的方法對形態(tài)各異的缺陷分別進行檢測，目前仍在發(fā)展中，仍沒有成熟的解決方案產(chǎn)生。如表 1-1 所示，列舉了目前學界在目標檢測和目標分割任務上的主要方法及優(yōu)缺點。業(yè)界目前基恩士公司開發(fā)了一套工業(yè)視覺缺陷檢測平臺，整合了一部分深度學習方法，可以對比較初級的缺陷進行檢測，目前市場反饋尚不得而知。表 1-1 缺陷檢測有關方法方法 主要貢獻目標檢測（兩步法）R-CNN[1]目標檢測領域鼻祖，奠定了兩步法目標檢測方法的基本框架，第一步生成大量候選框，第二步對每個候選框進行位置回歸和分類

第 2 章 基于兩階段目標檢測的方法研究2.1 引言本文改進的方法主要基于兩階段目標檢測的方法進行展開，本章主要介紹一下目前最基礎且成熟的兩階段目標檢測實現(xiàn)的具體方法。以及其中的一些技術細節(jié)。同時由于深度學習方法的前置任務過于龐雜，故本章仍需要對一些卷積神經(jīng)網(wǎng)絡的基本知識進行梳理，以一個基礎結構為例，介紹網(wǎng)絡的參數(shù)是如何更新的以及網(wǎng)絡是如何訓練的。2.2 卷積神經(jīng)網(wǎng)絡的基本方法2.2.1 卷積神經(jīng)網(wǎng)絡的基礎結構

【參考文獻】：
期刊論文
[1]一種基于孔洞填充的路面裂縫識別方法[J]. 姜維剛,王仲霖,潘飛.  電子技術與軟件工程. 2019(11)
[2]基于圖像處理的木材干燥裂紋檢測[J]. 張佳薇,樊興,陳鶴,趙永政,張曉東,袁明潤.  科學技術創(chuàng)新. 2019(16)
[3]基于機器視覺的刨花板表面缺陷檢測系統(tǒng)[J]. 郭慧,盛振湘,王霄,劉傳澤,周玉成,岳群飛.  木材工業(yè). 2019(03)
[4]基于機器視覺的金屬零件表面缺陷檢測系統(tǒng)[J]. 王宇,吳智恒,鄧志文,劉進軍,童季剛,莫爵賢.  機械工程與自動化. 2018(04)
[5]基于圖像處理的軸承滾珠表面缺陷檢測研究[J]. 徐建亮,毛建輝,陳蓓.  自動化應用. 2018(06)
[6]一種基于機器視覺的快速規(guī)則的表面缺陷檢測方法[J]. 田果,李澄非.  機械制造與自動化. 2018(02)
[7]機器視覺表面缺陷檢測綜述[J]. 湯勃,孔建益,伍世虔.  中國圖象圖形學報. 2017(12)
[8]基于機器視覺的零部件表面缺陷檢測方法研究[J]. 劉曉杰,羅印升,張旻,范洪輝.  現(xiàn)代電子技術. 2017(24)
[9]基于機器視覺的銅條表面缺陷檢測系統(tǒng)的研究[J]. 吳浩.  儀表技術與傳感器. 2016(07)



本文編號：3000332