6个研究背景和意义示例,教你写计算机瑕疵检测论文

今天分享的是关于瑕疵检测的6篇计算机毕业论文范文, 如果你的论文涉及到瑕疵检测等主题,本文能够帮助到你

多特征融合的轻量化显著性目标检测方法

这是一篇关于显著性目标检测,多特征融合,轻量化网络,注意力机制,瑕疵检测的论文, 主要内容为显著性目标检测是计算机视觉领域的一个重要研究方向,其目的是在图像中自动识别出最具显著性的对象或区域。随着深度学习技术的发展,越来越多的研究者开始使用深度神经网络来进行显著性目标检测,并且取得了突破性的成果,但是仍存在诸多挑战。例如,单一特征检测缺陷和多特征融合不充分,导致显著图背景噪声大和显著图边缘不清晰。又如,目前的一些方法在准确性和算力消耗之间存在相互制约,有些方法准确性较高但算力消耗大,而有些方法算力消耗小但准确性不高。因此,如何在保证准确性的同时减少算力消耗是一个重要的问题。本文主要基于卷积神经网络实现多特征融合的轻量化显著性目标检测方法,具体研究内容如下:(1)针对当前显著性目标检测方法存在的单一特征检测缺陷和多特征融合不充分的问题,研究设计了一种多尺度视觉感知融合的显著性目标检测方法。首先利用空洞卷积模拟视觉皮层中的感受野构建多尺度视觉感知模块,充分发挥空洞卷积在卷积神经网络中的作用,在主干网络中逐级提取显著目标的全局空间信息,有效增强前景显著区域,抑制背景噪声区域。然后设计多尺度特征融合模块,利用特征金字塔和空间注意力机制将高级语义信息与细节信息融合,在抑制噪声传递的同时可以更有效地恢复显著目标的空间结构信息。两个核心模块充分利用多特征融合,实验结果表明,该方法检测的显著图边缘轮廓清晰,背景干净,各项性能指标在基准网络上有较大提升。(2)针对当前显著性目标检测方法存在的检测精度和算力消耗相互制约的问题,通过重新设计网络,研究设计了一种基于多特征注意力基本块的轻量化显著性目标检测方法。多特征注意力基本块中使用深度可分离卷积扩展空洞卷积,根据人眼视觉分层处理的机制,构建串行的多特征融合模块。扩大感受野的同时,通过邻接递进融合的方式挖掘多尺度特征。再采用通道注意力和空间注意力增强特征提取,并利用Ghost卷积低成本的线性运算,规避冗余特征图和节约计算消耗。然后使用基本块合理构建特征提取单元,搭建主干网络编码器提取特征,接着通过金字塔池化模块提取上下文信息。解码器将全局信息、浅层特征和深层特征融合,在解码端输出最终的显著图。实验结果表明,该轻量化模型在保持1.45M参数量和1.2G计算量的情况下,检测精度达到了部分主流方法的检测性能。(3)对以上两点理论进行学术实践,针对输送带瑕疵人工检测的低效性和延时性,设计实现了基于显著性检测方法的输送带瑕疵检测系统,实现了输送带瑕疵检测的无人化,提高了检测效率。利用轻量化显著性目标检测方法,图像处理的形态学滤波器以及边缘检测技术,实现了输送带瑕疵检测和定位。基于python,使用Flask搭建Web应用后端服务和使用Vue设计前端人性化交互UI,实现了输送带瑕疵检测平台。检测结果表明该系统可以满足生产场景下输送带瑕疵检测的需求。

基于深度学习的陶瓷基板瑕疵检测

这是一篇关于陶瓷基板,瑕疵检测,目标检测,深度卷积神经网络,知识蒸馏的论文, 主要内容为陶瓷基板作为电子器件的封装基板,其质量好坏对电子产品能否长期稳定运行有着很大的影响。然而,由于复杂的生产环境以及特殊的生产工艺技术,陶瓷基板生产过程中容易出现各种各样的瑕疵,从而破坏电子器件的结构使得整个电子器件无法正常工作。因此,陶瓷基板的瑕疵检测是保证电子器件生产质量的重要环节。传统的人工显微镜检测法效率低下,检测标准不统一,难以适用于自动化工厂的高效生产需求。基于传统图像算法和机器视觉的检测算法泛化能力和灵活性较差,难以满足陶瓷基板瑕疵检测准确性的需求。污染、异物、多金、缺瓷以及损伤是陶瓷基板上常见的五种典型缺陷,本课题深入分析了基于传统人工检测和基于机器学习的检测算法在这五种典型瑕疵检测上的不足之处,结合深度学习的目标检测方法并进行优化以提高瑕疵检测能力,同时了开发相应的瑕疵检测系统,验证了本课题所提方法的实用性。论文的主要工作如下:1.研究了一种基于改进YOLOv4的陶瓷基板瑕疵检测方法。针对陶瓷基板瑕疵尺寸较小、颜色形状多变以及不同类瑕疵间尺寸变化较大导致的瑕疵检测困难问题,改进的YOLOv4网络通过引入基于Gradient Harmonizing Mechanism(GHM)的置信度损失函数、十字交叉注意力网络Criss-Cross Attention Net(CCNet)模块,以及增加小尺度目标检测支路来改善瑕疵检测能力。实验结果表明,针对608 608?分辨率的陶瓷基板图像,基于改进YOLOv4的瑕疵检测方法对于陶瓷基板污渍、异物、多金、缺瓷以及损伤这五类瑕疵检测的平均准确率达到了97.70%,平均召回率达到了97.79%,可满足工业现场对陶瓷基板瑕疵的检测精度要求。2.针对低分辨率(224 224?)图像下陶瓷基板五类瑕疵的检测精度下降问题,提出了一种基于知识蒸馏的陶瓷基板瑕疵检测算法YOLOv4-CSKD。基于YOLOv4算法框架,引入了知识蒸馏算法,构建教师网络和学生网络,利用教师网络学到的更加准确的特征信息指导学生网络的训练,从而提高学生网络对低分辨率陶瓷基板图像的瑕疵检测能力;同时,在教师网络中引入基于Coordinate Attention(CA)注意力思想的特征融合模块,使得教师网络学习到的特征同时适应高分辨率(448 448?)图像信息和低分辨率图像信息,从而能较好的指导学生网络的训练。实验结果表明,YOLOv4-CSKD对低分辨率图像取得了96.51%的平均准确率和90.30%平均召回率,相比于对比的YOLOv4算法,平均准确率与平均召回率分别提高了10.65%和14.41%,基本满足低分辨率场景下陶瓷基板瑕疵高效、快速检测的需求。3.面向陶瓷基板瑕疵检测需求,设计和开发了一套陶瓷基板瑕疵检测软件系统。陶瓷基板瑕疵检测软件系统集成数据集制作、模型训练以及瑕疵检测三大模块。数据集制作模块可以对陶瓷基板瑕疵图像进行快速标注并生成满足陶瓷基板瑕疵检测模型训练需求的数据集,模型训练模块基于数据集制作模块生成的陶瓷基板数据集对模型进行训练优化得到瑕疵检测模型并实时检测训练结果,瑕疵检测模块实现了陶瓷基板瑕疵的自动检测,同时将检测结果实时地显示在系统界面上,并且自动保存存在瑕疵的陶瓷基板图像以及相应的瑕疵信息,在不影响系统性能的情况下在后台统计各种类瑕疵信息保存至My SQL中以用于后续查看与校验。

基于视觉计算的食品工业质检系统设计与实现

这是一篇关于智能工业,瑕疵检测,软件开发的论文, 主要内容为在食品生产的过程中,由于受原材料、生产工艺和产品运储环境的影响,部分产品会出现质量问题从而不允许流入市场。其中,外观瑕疵是一种在设备和灯光的辅助下可被肉眼识别的质量问题。现今,食品质检车间均采用人工观察的方式进行外观瑕疵检测。对企业来说,人工检测不仅成本高、效率低,甚至会在质检过程中由于人为因素引入新的食品安全问题。相比于人工检测,利用计算机视觉计算技术对食品的外观瑕疵进行侦测,可以有效提高食品质检效率并降低食品安全风险。本文以食用粉丝饼外观检测的自动化、智能化为目的开展工作。完成该任务需要四个必要条件:一是设计和制造一台工业设备;二是采集粉丝饼图像并对其标注作为数据集;三是探索有效可用的质检模型;四是研发一套衔接机械设备和操作工人的软件系统。本文的工作内容为后三者。数据集方面,本文采集不同类别外观瑕疵的粉丝饼以及正常粉丝饼图像共6282张,并根据任务安排对其进行标注。模型方面,本文探索了Faster-RCNN、SSD、Yolo V3、Yolox等算法在粉丝饼质量检测的效果。实验发现效果不佳,于是本文提出Model X-Y算法机制,Model X负责提取高分辨率图像中的主要区域,Model Y负责瑕疵区域检测,两模型串联工作改善了质检效果。对于X部分,通过实验,本文以体积小速度快的Yolox模型作为工程选择。对于Y部分,本文以Yolox为基础融入了SPD卷积模块以降低模型下采样时的特征,又进一步融入坐标注意力模块以应对背景干扰,因而提高了质检效果。质检软件方面,本文提出并实践了一种新的技术方案,该技术方案不仅能降低开发阶段的成本,同时提高了软件的使用体验。为科研成果低成本转化为商业应用软件提供了一个参考案例。

基于深度学习方法的PCB瑕疵检测系统

这是一篇关于PCB裸板,深度学习,特征融合,瑕疵检测,系统设计的论文, 主要内容为检测PCB表面存在的瑕疵并定位是制造电子产品过程中缺一不可的环节。传统的PCB瑕疵检测方法有专家目视法和自动光学检测技术(AOI)。专家目视存在效率差、精度低等缺陷,近年来业界主要运用AOI来取代人工方法。而AOI的主要环节其实是算法处理图像的过程,此过程决定了系统能否准确地进行检测,其优点是成本低、集成易,满足多数场景的需求。但随着电子产品制造的精密程度愈来愈高,以及制造过程中对检测分辨率、精度、速度等性能要求的提升,AOI中使用的传统图像处理方法因其复杂的操作以及不是很高的检测精度而逐渐没落。如今,深度学习目标检测算法如日中天,许多SOTA检测模型作为图像处理算法的替代被应用到工业界中。如何更有效的将优良的目标检测算法融入到工业生产PCB的过程中,已经成为业界的热点话题。基于此,本文提出了基于改进版YOLOX的PCB表面瑕疵检测方法。本文使用深度学习技术研究瑕疵分类和检测方法,研究改进版YOLOX的PCB表面瑕疵检测方法。最后设计了一个基于前后端分离的PCB瑕疵检测系统。本文的研究内容如下:(1)分析了当今业界的PCB表面瑕疵检测方法在国内外的研究现状以及其存在的隐患,针对现有PCB瑕疵图像数量稀少,瑕疵不太分明等问题,对现有图像进行了平移、翻转以及Mosaic数据增强等变换,进一步提供训练样本和验证数据,提高模型的准确性和泛化能力。(2)为了检查每块产出的PCB是否存在某种类型的瑕疵,首先采用YOLOX的主干网络CSPDarknet53进行图像分类,具体辨别某张带有瑕疵的PCB图像所属的种类。在此之上,对主干网络进行了多尺度特征联合的操作,大幅提升其检测效果,并将其作为YOLOX网络新的backbone。(3)针对原有YOLOX的颈部网络部分进行了优化,提出了基于改进版的YOLOX网络。主要有三点改进:1.引入CBAM,增强了网络对PCB表面瑕疵的特征提取能力;2.在PA-FPN网络的尾部添加ASFF模块,解决在单阶段目标检测特征金字塔中存在的不同特征层信息不一致问题;3.在改进的YOLOX网络中应用了SAHI这一轻量级视觉库,提升小目标检测的精度。(4)PCB瑕疵检测系统的搭架。基于训练好的改良版YOLOX网络作为backend,Vue搭建的前端页面作为frontend,使用Flask框架作为桥梁搭建一个前后端分离的PCB瑕疵检测平台。(5)最后将本文的检测算法同其它YOLO系列以及传统目标检测算法的检测性能进行对比。具体而言,该模型的平均精度均值(m AP)高达98.4%,每秒传输帧数(FPS)更是突破了50f.s-1,表明改进版YOLOX网络在PCB瑕疵检测应用中取得了更好的性能。

基于深度学习的酒盒产品标签瑕疵检测系统

这是一篇关于深度学习,目标检测,YOLOv4,瑕疵检测的论文, 主要内容为标签是产品的重要标识,其印刷质量的好坏优劣会直接影响着到产品的整体外观,当前针对标签瑕疵检测大多为人工目视检测,存在效率低、误检率高等不足,少部分为图像处理检测,对环境要求高、调试复杂、稳定性差,因此设计轻便高效的标签瑕疵检测系统具有重要的实际应用意义。基于深度学习的标签瑕疵检测系统通过大量的训练数据,可以学习到标签瑕疵的特征,并建立瑕疵识别模型。本文将深度学习领域相关检测算法应用到产品标签瑕疵检测中,研究一种基于YOLOv4改进的标签瑕疵检测算法,并搭建相应检测系统。以酒盒标签瑕疵为研究对象,围绕酒盒标签瑕疵检测,本文主要工作内容如下:(1)针对酒盒标签瑕疵建立数据集,并对数据集进行多种不同方式的扩充。针对深度学习中目标检测算法的发展和本文所研究的目标,使用自制酒盒标签瑕疵数据集分别进行不同目标检测算法的测试,包括Faster R-CNN、SSD、YOLOv4。经过实验结果分析、对比,以及检测需求,选择各项性能平均的YOLOv4算法进行改进优化。(2)针对基于YOLOv4的标签瑕疵检测方法存在精度低、推理速度慢与模型体积大等问题,现提出一种基于YOLOv4改进的标签瑕疵检测方法。首先将YOLOv4主干网络替换为Ghost Net,大大降低主干特征提取网络的参数量,缩小模型体积,其次在主干网络中加入注意力机制,在不增加计算复杂度的情况下强化特征提取能力,提高精度,接着使用蓝图卷积,降低算法计算复杂度的同时提高检测精度,实现轻量化,最后使用性能更好的激活函数。通过自制标签瑕疵样本集的试验,实测结果显示,所提改进算法轻量、高效,对比原算法,在m AP精度与检测速度上均有提升,模型大小降低,能够解决当前存在的问题。(3)针对本文所提改进的YOLOv4标签瑕疵检测算法以及产品生产中的实际需求,设计一套基于Qt Designer、Py Qt5、MYSQL的标签瑕疵检测系统,内含管理员与员工登陆、注册、单张图片检测、信息统计等,实现了对产品生产中对产品表面瑕疵检测需求。该系统现已在亳州福达印务有限公司进行使用,取得较好使用效果。