基于深度迁移学习的钢球表面缺陷检测研究
这是一篇关于深度迁移学习,钢球表面缺陷,缺陷检测,缺陷分割的论文, 主要内容为钢球是轴承的关键部件,其质量的优劣对轴承性能有很大影响,其中钢球表面缺陷程度会对轴承的精度、使用性能、可靠性及使用寿命造成直接影响。根据统计结果可知,59%的轴承失效是由于钢球表面缺陷造成的。因此,在生产过程中,如何有效提高钢球表面缺陷的检测能力,是钢球成品质量的重要保障。为了满足实际企业提高钢球表面缺陷检测的精度,本课题开展了基于深度迁移学习的钢球表面缺陷检测研究,为开发高精度、低成本、高自动化水平的钢球表面缺陷检测系统及高质量的轴承加工提供一种新方法。本文重点研究了钢球表面缺陷采集系统、钢球表面缺陷目标检测方法、钢球表面缺陷分割方法及钢球表面缺陷检测系统的设计与实现等四个方面,主要工作如下:(1)钢球表面缺陷采集系统设计。本文分析了钢球表面缺陷采集系统的基本需求和缺陷类型,制定了缺陷采集系统的方案,搭建了基于机器视觉的钢球表面缺陷采集硬件系统,完成了关键部件的优选,设计了照明方案及分选装置。该系统能够完成钢球表面图像连续采集,并获得高质量图像,为后续检测提供了数据支撑。(2)钢球表面缺陷目标检测方法。针对现存目标检测方法在提高方法性能时需要额外增加计算开销的问题,本文提出了一种基于压缩-激励模块与YOLOv4的钢球表面缺陷目标检测方法。该方法以YOLOv4作为基础网络结构,结合压缩-激励模块,对提取的特征进行通道间相关性建模,对通道之间的特征信息加强传递,该模块能够实现对全局信息的学习,以此确定对计算有效的特征,并且排除无用特征,同时强化有效特征的提取和使用。该方法基于深度迁移学习的方式进行训练,设计了多组对比试验,根据实验结果可知,所提方法准确率可达到96.33%,检测速度达到24.47FPS,性能高于主流目标检测方法。(3)钢球表面缺陷分割方法。针对卷积神经网络在特征传递过程中无法保障特征的平移不变性的问题,本文提出了一种基于平移不变性与U-Net的钢球表面缺陷语义分割方法。该方法以U-Net作为基础网络结构,结合平移不变性,提出了抗锯齿层替换原网络中的最大池化层。通过将低通滤波插入到模糊采样与最大池化之间,提出了一种新的抗锯齿的方法解决输入的变化不会影响输出结果。通过在方法的编码与解码之间,采用特征金字塔网络对尺寸较小的目标进行特征提取,减少小目标在下采样的过程中数据特征信息的损失。该方法基于深度迁移学习的方式进行训练,设计了多组对比试验,根据实验结果可知,所提方法准确率可达到92.43%,性能优于主流语义分割方法。(4)钢球表面缺陷检测系统的设计与实现。本文设计并实现了钢球表面缺陷采集系统中分选装置的控制系统和图像检测系统。图像检测系统包含两个模块:目标检测模块和语义分割模块。该系统开发采用C/S架构,在Windows10操作系统下,基于.Net6.0开发平台,读取训练完成的网络模型,以C#作为功能开发编程语言实现相关功能。通过载入数据验证,系统功能运行良好。
基于深度迁移学习的钢球表面缺陷检测研究
这是一篇关于深度迁移学习,钢球表面缺陷,缺陷检测,缺陷分割的论文, 主要内容为钢球是轴承的关键部件,其质量的优劣对轴承性能有很大影响,其中钢球表面缺陷程度会对轴承的精度、使用性能、可靠性及使用寿命造成直接影响。根据统计结果可知,59%的轴承失效是由于钢球表面缺陷造成的。因此,在生产过程中,如何有效提高钢球表面缺陷的检测能力,是钢球成品质量的重要保障。为了满足实际企业提高钢球表面缺陷检测的精度,本课题开展了基于深度迁移学习的钢球表面缺陷检测研究,为开发高精度、低成本、高自动化水平的钢球表面缺陷检测系统及高质量的轴承加工提供一种新方法。本文重点研究了钢球表面缺陷采集系统、钢球表面缺陷目标检测方法、钢球表面缺陷分割方法及钢球表面缺陷检测系统的设计与实现等四个方面,主要工作如下:(1)钢球表面缺陷采集系统设计。本文分析了钢球表面缺陷采集系统的基本需求和缺陷类型,制定了缺陷采集系统的方案,搭建了基于机器视觉的钢球表面缺陷采集硬件系统,完成了关键部件的优选,设计了照明方案及分选装置。该系统能够完成钢球表面图像连续采集,并获得高质量图像,为后续检测提供了数据支撑。(2)钢球表面缺陷目标检测方法。针对现存目标检测方法在提高方法性能时需要额外增加计算开销的问题,本文提出了一种基于压缩-激励模块与YOLOv4的钢球表面缺陷目标检测方法。该方法以YOLOv4作为基础网络结构,结合压缩-激励模块,对提取的特征进行通道间相关性建模,对通道之间的特征信息加强传递,该模块能够实现对全局信息的学习,以此确定对计算有效的特征,并且排除无用特征,同时强化有效特征的提取和使用。该方法基于深度迁移学习的方式进行训练,设计了多组对比试验,根据实验结果可知,所提方法准确率可达到96.33%,检测速度达到24.47FPS,性能高于主流目标检测方法。(3)钢球表面缺陷分割方法。针对卷积神经网络在特征传递过程中无法保障特征的平移不变性的问题,本文提出了一种基于平移不变性与U-Net的钢球表面缺陷语义分割方法。该方法以U-Net作为基础网络结构,结合平移不变性,提出了抗锯齿层替换原网络中的最大池化层。通过将低通滤波插入到模糊采样与最大池化之间,提出了一种新的抗锯齿的方法解决输入的变化不会影响输出结果。通过在方法的编码与解码之间,采用特征金字塔网络对尺寸较小的目标进行特征提取,减少小目标在下采样的过程中数据特征信息的损失。该方法基于深度迁移学习的方式进行训练,设计了多组对比试验,根据实验结果可知,所提方法准确率可达到92.43%,性能优于主流语义分割方法。(4)钢球表面缺陷检测系统的设计与实现。本文设计并实现了钢球表面缺陷采集系统中分选装置的控制系统和图像检测系统。图像检测系统包含两个模块:目标检测模块和语义分割模块。该系统开发采用C/S架构,在Windows10操作系统下,基于.Net6.0开发平台,读取训练完成的网络模型,以C#作为功能开发编程语言实现相关功能。通过载入数据验证,系统功能运行良好。
基于YOLO的TFT-LCD缺陷检测算法研究
这是一篇关于TFT-LCD,YOLO,生成对抗网络,缺陷检测,缺陷分割的论文, 主要内容为当下半导体显示产业发展迅猛,虽然面板生产的自动化程度越来越高,但绝大多数的异常都是依赖于人工判别。缺陷的人工判别准确率受经验影响,容易因误判造成产能损失。随着神经网络的快速发展,以YOLO(You Only Look Once)算法为代表的目标检测算法不断推陈出新。本文采集阵列制程阶段的TFT-LCD图像建立了数据集,提出了一套以YOLO为核心的自动缺陷检测方案,涉及缺陷定位、缺陷分类、缺陷分割三个方面。具体研究内容主要包括:(1)缺陷定位和缺陷分类方面,为解决TFT-LCD缺陷大小各异、类别间特征相似而导致的YOLO检测效果不佳的问题,提出了基于YOLO和Res Net的级联式缺陷定位与分类算法。其中,YOLO负责缺陷的定位,Res Net负责缺陷的分类。首先,为了提高YOLO定位缺陷的准确率,本文设计了一个特征提取网络应用于YOLO的骨干,同时在YOLO的基础上扩展了多尺度融合,提高对大缺陷和小缺陷的检出率;其次,为了满足YOLO对单类别训练的需要,对损失函数进行了剪枝和改进;最后,为了加强对相似缺陷类别的分类准确率,用一个逻辑块级联YOLO与Res Net,在逻辑块中,以定位框中心点为基准固定缺陷图像的大小后传递给分类网络,避免因缩放而出现缺陷信息丢失的问题。YOLO改进后在单类别训练下的AP指标能达到0.87。(2)缺陷分割方面,为了解决所用于训练分割网络的数据标注难,成本大的问题,提出了基于生成对抗网络的无监督TFT-LCD缺陷分割算法。该方法首先通过仅含缺陷域和无缺陷域的数据集训练Attention GAN得到注意力图像。针对Attention GAN训练不稳定和注意力图像生成效果不佳的问题,运用WGAN-GP对损失函数进行了优化;其次,根据注意力图的显著性得到缺陷标记图像和缺陷掩膜图像;最后进行二值形态学重建的区域生长得到二值分割图像。(3)为进一步解决由于训练数据不足导致的分割效果不佳的问题,提出了基于原图比对的缺陷分割算法。该方法首先以YOLO定位的缺陷区域制作掩膜图像后作为卷积核;其次,结合卷积和相关系数在原图中找到与缺陷区域背景相关度最大的无缺陷区域;最后,通过两者的减法运算得到最后的分割结果。在主频4.2GHZ的i7-7700K CPU、显存8G的GTX1080 GPU、深度学习框架为Pytorch1.8的实验环境下,实验表明,单类别的实验中,改进的YOLO的AP相比YOLOv3、YOLOv3-SPP、YOLOv3-TINY分别提高了6%、6%、7.5%;而在多类别的实验中,级联式的缺陷检测算法的F1分数相比YOLOv3、YOLOv3-SPP、YOLOv3-TINY分别提高了23%、27%、47%。基于生成对抗网络和原图比对的两种分割方法,能满足工业场景下大部分TFT-LCD缺陷类别的分割需求。
基于深度迁移学习的钢球表面缺陷检测研究
这是一篇关于深度迁移学习,钢球表面缺陷,缺陷检测,缺陷分割的论文, 主要内容为钢球是轴承的关键部件,其质量的优劣对轴承性能有很大影响,其中钢球表面缺陷程度会对轴承的精度、使用性能、可靠性及使用寿命造成直接影响。根据统计结果可知,59%的轴承失效是由于钢球表面缺陷造成的。因此,在生产过程中,如何有效提高钢球表面缺陷的检测能力,是钢球成品质量的重要保障。为了满足实际企业提高钢球表面缺陷检测的精度,本课题开展了基于深度迁移学习的钢球表面缺陷检测研究,为开发高精度、低成本、高自动化水平的钢球表面缺陷检测系统及高质量的轴承加工提供一种新方法。本文重点研究了钢球表面缺陷采集系统、钢球表面缺陷目标检测方法、钢球表面缺陷分割方法及钢球表面缺陷检测系统的设计与实现等四个方面,主要工作如下:(1)钢球表面缺陷采集系统设计。本文分析了钢球表面缺陷采集系统的基本需求和缺陷类型,制定了缺陷采集系统的方案,搭建了基于机器视觉的钢球表面缺陷采集硬件系统,完成了关键部件的优选,设计了照明方案及分选装置。该系统能够完成钢球表面图像连续采集,并获得高质量图像,为后续检测提供了数据支撑。(2)钢球表面缺陷目标检测方法。针对现存目标检测方法在提高方法性能时需要额外增加计算开销的问题,本文提出了一种基于压缩-激励模块与YOLOv4的钢球表面缺陷目标检测方法。该方法以YOLOv4作为基础网络结构,结合压缩-激励模块,对提取的特征进行通道间相关性建模,对通道之间的特征信息加强传递,该模块能够实现对全局信息的学习,以此确定对计算有效的特征,并且排除无用特征,同时强化有效特征的提取和使用。该方法基于深度迁移学习的方式进行训练,设计了多组对比试验,根据实验结果可知,所提方法准确率可达到96.33%,检测速度达到24.47FPS,性能高于主流目标检测方法。(3)钢球表面缺陷分割方法。针对卷积神经网络在特征传递过程中无法保障特征的平移不变性的问题,本文提出了一种基于平移不变性与U-Net的钢球表面缺陷语义分割方法。该方法以U-Net作为基础网络结构,结合平移不变性,提出了抗锯齿层替换原网络中的最大池化层。通过将低通滤波插入到模糊采样与最大池化之间,提出了一种新的抗锯齿的方法解决输入的变化不会影响输出结果。通过在方法的编码与解码之间,采用特征金字塔网络对尺寸较小的目标进行特征提取,减少小目标在下采样的过程中数据特征信息的损失。该方法基于深度迁移学习的方式进行训练,设计了多组对比试验,根据实验结果可知,所提方法准确率可达到92.43%,性能优于主流语义分割方法。(4)钢球表面缺陷检测系统的设计与实现。本文设计并实现了钢球表面缺陷采集系统中分选装置的控制系统和图像检测系统。图像检测系统包含两个模块:目标检测模块和语义分割模块。该系统开发采用C/S架构,在Windows10操作系统下,基于.Net6.0开发平台,读取训练完成的网络模型,以C#作为功能开发编程语言实现相关功能。通过载入数据验证,系统功能运行良好。
枪钻激光3D打印缺陷识别算法研究
这是一篇关于3D打印,缺陷分割,特征提取,缺陷分类,神经网络的论文, 主要内容为3D打印技术发展迅速,内部缺陷检测是质量保障的一个重要的方法。随着图像处理技术和机器视觉的发展,采用智能化的方法对内部缺陷进行识别已是当前的研究热点。本文以激光3D打印的复合材料枪钻内部缺陷为研究对象,对缺陷图像的识别方法展开研究,利用各种方法对缺陷图像进行分类识别,从而提高缺陷图像的识别率。对此,本文工作主要如下:基于枪钻激光3D打印缺陷图像存在噪声和对比度低的特点,对其进行预处理,其中包括图像去噪和图像增强。图像去噪中采用空域滤波和频域滤波两类方法,通过实验发现Smax(28)3自适应中值滤波的效果较好;同时也在图像增强中确定了线性变换灰度增强方法,其能将图像灰度分布均匀拉伸且保持原始灰度直方图的形状。为了更好地突出目标缺陷,对缺陷图像进行分割,其中包含阈值分割、边缘分割以及区域增长分割三类方法,区域增长分割算法中的基于区域“Chan-Vese”方法的主动轮廓图像分割效果比较好。接着又采用灰度共生矩阵进行了纹理特征提取,得到了10个特征值,采用主成分分析法将特征向量降到了5维,并进行归一化处理,消除了数量级上的较大差异。最后,又对神经网络理论展开研究,并对缺陷进行分类识别。在BP神经网络中引入遗传算法和麻雀搜索算法,两种算法对BP神经网络的权值和阈值进行了参数优化,显著提高了分类准确率。深度学习算法中,采用Le Net-5和Alex Net两种卷积神经网络,省去了人工提取特征的复杂性,其中Alex Net网络的分类准确率最高为97.4%,可以实现准确的缺陷识别。
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：代码小屋 ，原文地址：https://bishedaima.com/lunwen/54521.html
