近年來,隨著計算機并行計算能力飛速提升,深度學習成為新時代智能產業(yè)關鍵技術,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,到達商用程度。工業(yè)火花塞作為汽車發(fā)動機點火系統(tǒng)的關鍵,它的檢測尤為重要。目標檢測算法有很多種,其中結合深度學習的目標檢測算法有兩種,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,檢測任務繁重,肉眼不容易發(fā)現(xiàn),人為經驗檢測造成檢測誤差很大,而且沒有統(tǒng)一標準。用SVM支持向量機,隨機森林等技術建模難度大,檢測準確率低下,漏檢誤檢率高,檢測速度慢不適合在小目標多形態(tài)目標檢測中。針對上述檢測難度,本文對火花塞圖像進行仔細研究,結合深度學習的卷積神經網(wǎng)絡,提出了一種基于Faster R-CNN（快速區(qū)域卷積神經網(wǎng)絡）綜合區(qū)域建議和特征提取的目標檢測方法火花塞圖像進行缺陷檢測。針對火花塞焊缺圖像,利用圖像旋轉方法對數(shù)據(jù)集增強,用卷積神經網(wǎng)絡對焊縫區(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)擴充,之后利用LabI... 

【文章來源】：中北大學山西省

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【部分圖文】：

本文算法流程圖

中北大學學位論文9剔除，最終得到目標檢測結果。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雜特征線性可分。SVM分類器有很多優(yōu)點[21]，分類器學習出的模型對支持向量有很強的依賴，訓練集種增加或者減少非支持向量點，都不會對結果有影響，原始數(shù)據(jù)維度不影響訓練好的模型算法復雜度，使得該分類器廣泛應用在檢測場景中。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是權重向量，X是實例，b代表偏置。假設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看做額外的權重，記為0w，超平面方程滿足：022110xwxww（2-4）所有超平面右上方點滿足：

中北大學學位論文30圖3-1原始數(shù)據(jù)與標注人員粗略標注Fig.3-1Originaldataandroughannotations火花塞原始圖像共有2069張，單個圖像尺寸為1152*1152。對圖像進行分析，圖像中有的圖像雜質太多，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。由于神經網(wǎng)絡訓練需要大數(shù)據(jù)，2000張圖像樣本比較少，接下來對數(shù)據(jù)集進行擴充。數(shù)據(jù)增強一般包括在數(shù)據(jù)空間或特征空間（或二者均有）上應用一系列的遷移技術。在數(shù)據(jù)空間上應用增強技術最常見，這種增強技術應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、扭曲、縮放、顏色空間轉換、裁剪以及生成對抗式網(wǎng)絡[46]等。這些方法的目標均是通過生成更多的樣本來構建更大的數(shù)據(jù)集，防止過擬合以及對模型進行正則化，還可以對該數(shù)據(jù)集的各個類的大小進行平衡，甚至手工地產生對當前任務或應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行數(shù)據(jù)集增強。對數(shù)據(jù)集中每張圖像數(shù)據(jù)分別進行左平移50個像素單位和右平移30個像素單位。數(shù)據(jù)集增強到6000張圖片，可以滿足神經網(wǎng)絡訓練以及有很高的數(shù)據(jù)準確率。單個原始圖像數(shù)據(jù)擴充如圖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果，圖(c)是原圖片向右平移結果。

【參考文獻】：
期刊論文
[1]基于隨機森林的原發(fā)性高血壓心血管風險預后模型[J]. 崔偉鋒,劉蕭蕭,韓靜旖,范軍銘.  中國老年學雜志. 2020(04)
[2]融合高斯混合模型和深度學習的目標跟蹤[J]. 歐豐林,林淑彬.  吉林師范大學學報(自然科學版). 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]基于深度學習的目標檢測技術的研究綜述[J]. 羅元,王薄宇,陳旭.  半導體光電. 2020(01)
[6]淺談計算機視覺技術進展及其新興應用[J]. 余京蕾.  北京聯(lián)合大學學報. 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.  測試技術學報. 2020(01)
[8]基于深度學習的目標檢測算法研究與應用[J]. 鄺熠,陶果,朱玉潔,蔡偉立.  計算機產品與流通. 2020(01)
[9]改進的AdaBoost-SVM算法用于無人機目標跟蹤[J]. 左奎軍,李艷軍,曹愈遠,王宏宇.  武漢理工大學學報(交通科學與工程版). 2019(06)
[10]火花塞側電極定向的要求和實現(xiàn)方案[J]. 杜德魁,楊輝睦,周志強.  汽車零部件. 2019(11)

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



本文編號：3638057