纹理工业品表面缺陷检测系统设计与实现
这是一篇关于表面缺陷检测,通道注意力,空间注意力,特征融合的论文, 主要内容为随着深度学习中目标检测算法的发展,工业品质检迎来了一种全新的自动化检测手段,提高了工业品质检的效率和精度,并逐渐成为了工业品质检的主要手段。但是,现有目标检测算法研究主要针对于常规场景目标的检测,缺乏对复杂纹理工业品表面研究。与常规工业品相比,复杂纹理工业品具有两个显著的特点:首先,复杂纹理工业品表面的检测场景通常存在大量难以检测且低可视度的小尺寸缺陷;其次,复杂纹理工业品的背景干扰严重,这导致目前的检测算法容易将正常的纹理变化误判为产品缺陷区域。因此,为了提高目标检测算法在复杂纹理工业品表面缺陷检测方面的效率以及降低检测的困难度,本文开展了以下工作:(1)基于通道与空间注意力的复杂纹理表面缺陷检测方法。为了提高复杂纹理工业品表面缺陷的检测效率,本文从复杂纹理工业品小尺寸缺陷难以检测和复杂纹理工业品的背景干扰严重出发。首先,提出了选择性特征融合方法来克服低可视度小尺寸缺陷难检测的问题。在深浅层特征融合过程中,引入了一个额外的分支,通过建模深浅层特征通道之间的关系,动态生成特征融合权重,实现了选择性的特征融合。其次,为了抑制复杂纹理背景干扰,设计了基于通道与空间联合注意力方法。基于纹理工业品表面缺陷的形态和分布位置特点,在通道注意力中建模特征通道的局部性关系提升关键缺陷特征通道在模型训练中的权重;并基于空间注意力捕捉长距关系,选择性聚合关键区域特征。最后,在纹理瓷砖表面缺陷数据集和纹理铝型材表面缺陷数据集中,通过消融实验验证了本文方法的有效性。(2)面向复杂纹理瓷砖表面缺陷检测的自动化检测系统。为了进一步降低在实际质检环节的复杂纹理工业品检测的困难度,基于上述方法,设计并实现了复杂纹理瓷砖表面缺陷检测系统。除了常规检测系统的缺陷可视化、数据标注、数据管理等功能,本文在系统中考虑到复杂纹理工业品图片的质量,设计了图像采集和图像预处理模块,致力于提供高清晰的复杂纹理工业品图片并充分利用高分辨率图像高清晰度细节,减低了在实际质检环节的困难度。
基于深度学习的带钢表面缺陷检测
这是一篇关于表面缺陷检测,残差网络,特征金字塔,锚窗,数据扩充的论文, 主要内容为在当今的钢铁工业中,带钢是其中一种广泛应用于各个行业的产品。在生产时,带钢轧制过程中容易出现表面缺陷,如何对带钢表面缺陷进行有效的检测显得尤为重要。现有的常规检测方法难以满足准确高效的检测要求。卷积神经网络的优势在于能够自动地学习样本的特征,因此,本文将它作为带钢表面缺陷分类和检测的基础网络并进行后续的改进和实验分析。本文主要研究工作包括:(1)针对现有的带钢表面缺陷分类方法存在结构复杂、特征泛化能力差、参数多、识别精度低等问题,在残差网络的基础上,本文提出一种带钢表面缺陷分类方法I-Res Net34。该方法简化了网络结构:减小卷积核尺寸、池化层换成Inception结构、减少网络层数;更换了激活函数:将Re LU替换为Leaky Re LU,加快网络收敛速度;优化了损失函数:在交叉熵损失函数的基础上加了一个中心损失函数,解决数据集类别间距的难题。三者结合,最终的残差网络分类模型I-Res Net34的识别精度高达95.40%,时间为48s/e,参数量和计算量都比原始的残差网络更优,改善了带钢表面缺陷分类的效果。(2)为解决分类样本不足的问题,使用数据增强库imgaug对NEU数据集进行扩充。用于带钢表面缺陷分类的NEU数据集有6个类别,每个类别只有300个样本。不同类别的图像相似,同类别的图像差异不明显。将NEU中的图片进行平移、镜像、水平翻转、改变亮度等操作,得到新的数据集,增强了网络的泛化能力,分类精度也明显改善。(3)本文设计了带钢表面缺陷检测总体实验系统,然后根据带钢表面中小型缺陷较多、特征提取过程中中小目标易丢失、池化过程特征偏移的特点,在Faster RCNN网络模型的基础上,对其各个组成部分进行改进。改进backbone网络:选择Resnet50的前4个卷积模块加上特征金字塔网络作为特征提取网络;改变RPN层的锚窗尺寸:重新设置了15种anchor;改变池化方法:用ROI Align替代ROI Pooling。改进后的模型对中小型缺陷识别率有提升,特征不发生偏移,总体性能也有改善。(4)针对缺陷检测数据集样本不平衡,标注信息有很多错误的情况,对样本图片进行筛选删减再进行扩充,之后用Label Img逐张进行人工标注,得到新的缺陷检测数据集。将改进后的骨干网络、RPN层和池化层融合成一个带钢表面缺陷检测新模型,在新的缺陷检测数据集上进行实验,最终缺陷检测模型的m AP值由原来的69.2%提升到73.2%,FPS由原来的21变为23,在速度和精度上都有极大改善,证明本文的改进方法切实可行。
YOLOv5算法在甘薯表面缺陷检测的应用
这是一篇关于甘薯,表面缺陷检测,YOLOv5,目标检测的论文, 主要内容为甘薯是我国主要粮食作物之一,其营养价值很高,还具有抗炎抗氧化等作用,近年来逐渐成为人们日渐青睐的保健食品。甘薯的品质主要包括营养品质、外观品质等,甘薯的外观品质可以分为形状、大小、颜色、表面缺陷等,外观品质划分最重要的就是表面缺陷,表面缺陷中最常见的就是破损和腐烂。甘薯在收获、运输和贮藏等过程中,不可避免地会出现破损、腐烂等表面缺陷,影响甘薯的品质。目前,主要通过人工分拣的方法进行甘薯的表面缺陷检测,工作强度大、工作效率低、标准不一致,不利于甘薯加工自动化产业的发展。本次研究首次将YOLOv5目标检测算法应用于甘薯表面破损和腐烂这两种缺陷的检测,并开发一款甘薯表面缺陷检测和外观品质分级系统,以图为甘薯加工自动化产业的发展提供新方法。之所以选用YOLOv5算法,主要因其速度快、体量小、精度高,可以在今后的实际应用场景进行部署。本次研究的主要工作内容如下:(1)数据集的构建。自行采集含有破损和腐烂两种表面缺陷的甘薯图像,并通过数据标注、数据扩增制作本次实验所需的数据集。(2)甘薯表面缺陷检测YOLOv5模型的训练和选择。将制作好的数据集分别使用YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x四个模型进行训练,得到训练后的四个模型的性能评价数据,经过对比分析,选择了YOLOv5s模型用于后续系统的开发。(3)甘薯表面缺陷检测和外观品质分级系统的设计与实现。将训练好的YOLOv5s模型结合后端框架Flask和前端框架Vue设计和开发一款甘薯表面缺陷检测和外观品质分级系统。
纹理工业品表面缺陷检测系统设计与实现
这是一篇关于表面缺陷检测,通道注意力,空间注意力,特征融合的论文, 主要内容为随着深度学习中目标检测算法的发展,工业品质检迎来了一种全新的自动化检测手段,提高了工业品质检的效率和精度,并逐渐成为了工业品质检的主要手段。但是,现有目标检测算法研究主要针对于常规场景目标的检测,缺乏对复杂纹理工业品表面研究。与常规工业品相比,复杂纹理工业品具有两个显著的特点:首先,复杂纹理工业品表面的检测场景通常存在大量难以检测且低可视度的小尺寸缺陷;其次,复杂纹理工业品的背景干扰严重,这导致目前的检测算法容易将正常的纹理变化误判为产品缺陷区域。因此,为了提高目标检测算法在复杂纹理工业品表面缺陷检测方面的效率以及降低检测的困难度,本文开展了以下工作:(1)基于通道与空间注意力的复杂纹理表面缺陷检测方法。为了提高复杂纹理工业品表面缺陷的检测效率,本文从复杂纹理工业品小尺寸缺陷难以检测和复杂纹理工业品的背景干扰严重出发。首先,提出了选择性特征融合方法来克服低可视度小尺寸缺陷难检测的问题。在深浅层特征融合过程中,引入了一个额外的分支,通过建模深浅层特征通道之间的关系,动态生成特征融合权重,实现了选择性的特征融合。其次,为了抑制复杂纹理背景干扰,设计了基于通道与空间联合注意力方法。基于纹理工业品表面缺陷的形态和分布位置特点,在通道注意力中建模特征通道的局部性关系提升关键缺陷特征通道在模型训练中的权重;并基于空间注意力捕捉长距关系,选择性聚合关键区域特征。最后,在纹理瓷砖表面缺陷数据集和纹理铝型材表面缺陷数据集中,通过消融实验验证了本文方法的有效性。(2)面向复杂纹理瓷砖表面缺陷检测的自动化检测系统。为了进一步降低在实际质检环节的复杂纹理工业品检测的困难度,基于上述方法,设计并实现了复杂纹理瓷砖表面缺陷检测系统。除了常规检测系统的缺陷可视化、数据标注、数据管理等功能,本文在系统中考虑到复杂纹理工业品图片的质量,设计了图像采集和图像预处理模块,致力于提供高清晰的复杂纹理工业品图片并充分利用高分辨率图像高清晰度细节,减低了在实际质检环节的困难度。
基于深度卷积神经网络的金属板带材表面缺陷检测研究与应用
这是一篇关于金属板带材,表面缺陷检测,DCNN,目标检测,迁移学习的论文, 主要内容为金属板带材是冶金工业的主要产品之一,广泛应用于家电、军事和化工等支柱行业。表面质量是板带材的关键质量因素之一,传统基于机器视觉的表面缺陷检测算法存在检测效果不够理想、检测速度较慢、推广性能差和适应性差等不足。因此有必要研究智能自动化缺陷检测算法来提高缺陷检测的效率及准确率。本文以金属板带材表面缺陷为研究对象,将深度学习领域中的深度卷积神经网络(Deep Convolutional Neural Network,DCNN)技术应用到金属板带材表面缺陷图像检测问题中。主要从表面缺陷图像的分类和目标检测两个方面展开算法研究,并通过系统设计开发验证研究成果。论文的主要研究内容如下:(1)针对板带材表面缺陷特征提取困难和数据样本采集受限的问题,提出结合改进深度卷积生成对抗网络(Deep Convolutional Generative Adversarial Networks,DCGAN)和DCNN的缺陷图像分类算法d DCGAN-DCNN。该算法首先对DCGAN生成器和判别器网络结构进行改进,利用热轧钢带表面缺陷分类数据集NEU-CLS训练样本和随机噪声对其进行训练,得到改进DCGAN的高分辨率缺陷样本生成模型。在此基础上,合并生成样本和训练样本作为新的训练集,根据研究对象构建VGG-16迁移学习模型以执行缺陷分类任务,检验生成样本的有效性。对比实验结果表明,该算法自动提取的缺陷特征具有强大的辨别能力,生成样本能够提升缺陷分类的准确率,分类准确率达到99.07%,同时具有良好的抗噪性和泛化性。(2)针对板带材表面缺陷呈现形式存在多样性、复杂性和随机性而导致难以快速定位并准确识别的问题,提出融合多层次特征Faster R-CNN的缺陷目标检测算法(DefectTarget Detection Network,DDN)。该算法采用多层次特征融合网络(Multilevel-Feature Fusion Network,MFN)融合Faster R-CNN中VGG-16提取的各层次特征图,得到具有丰富位置信息和语义信息的融合特征图,后续网络基于该融合特征图进行分类以及边框回归,最终确定缺陷的类别以及位置。利用钢带和铜板表面缺陷检测数据集NEU-DET和KMUST-DET评估所提算法性能,对比实验结果表明,提出的DNN能够快速准确检测出具有不同尺度的各类缺陷,与Faster R-CNN相比,在不损耗过多检测时间的前提下具有更优的检测精度,平均检测时间为129.65/153.17ms,平均准确率均值(Mean Average Precision,m AP)为86.13%/92.54%。(3)根据检测系统功能需求,将(1)(2)研究算法应用到检测系统中,设计开发基于DCNN的板带材表面缺陷离线智能检测系统。该系统基于B/S架构,前台采用j Query Easy UI作为UI工具,后台采用Django作为Web应用框架,Postgre SQL作为DBMS,Tensor Flow、Open CV作为视觉算法开发包。采用Ajax技术实现前后台数据交互,利用GPU和cu DNN加速框架进行网络训练。实现用户权限管理、缺陷样本库构建、缺陷图像预览、模型训练、模型查看、缺陷分类、缺陷目标检测和检测结果查询等功能。运行结果表明,所设计系统具有较好的交互性和用户友好性,能够完成规定任务,符合用户需求。
基于图像识别的汽车滤纸表面缺陷自动检测研究
这是一篇关于表面缺陷检测,图像处理,图像识别,二值化,边缘检测的论文, 主要内容为随着我国汽车工业的飞速发展,汽车空气滤清器的产销量也大幅度提高,为了杜绝传统人工检测滤纸过程中产生的纰漏,大幅提高检测效率,研究并开发出了汽车空气滤清器滤纸表面缺陷自动检测系统。本系统采用C/S架构,由于VC++是面向对象的程序设计语言,为开发图像处理软件提供了丰富的组件,同时非常适合分布式开发,因此前台开发工具选用VC.NET技术。系统开发环境为Visual Studio.NET2005,后台数据库采用SQL Server 2010。本文采用数字图像识别技术,通过对滤纸的数字图像预处理和识别,并对识别出的滤纸疵点进行测量和存储,实现滤纸表面疵点检测自动化,提高疵点检测效率。滤纸表面缺陷图像经过图像预处理、图像增强、图像分割、边缘检测、腐蚀和膨胀、图像测量等图像处理过程,得到可供测量的二值化图像。对二值化后的疵点图像经测量其周长、面积等特征数据,把疵点缺陷图像和计算结果存入到数据库中,并为定位标识机构提供控制数据。本文主要针对滤纸疵点进行检测,具有投资成本低,检测效果好,系统易于维护管理,运行成本较低的特点,能经济有效地检测出各类滤纸疵点。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕业设计工坊 ，原文地址：https://bishedaima.com/lunwen/52338.html
