基于深度学习的金属轴表面缺陷检测与分类研究

发布时间：2020-10-02 10:28

　　 轴是机械行业特别重要的零部件,其应用很广泛,几乎所有机械设备的组成都离不开轴,轴的加工质量和精度直接影响机械设备的使用性能和寿命。轴在加工生产的过程中可能由于加工失误、本身材质等原因产生不同缺陷。通常为了节约成本,轴加工厂商需要对不同缺陷的轴进行不同的回收处理,因此对于轴缺陷的检测和分类具有重要的意义和工程应用价值,然而传统的缺陷检测方法都存在识别准确率低,缺少泛化能力等缺点。本论文研究的基于深度学习的检测和分类系统能实现对金属轴表面缺陷的高效识别并且做到高精度分类和定位。具体研究内容及成果如下:(1)轴缺陷数据预处理系统软件的设计,针对轴的结构特点,采用工业CCD线扫描相机获取轴图像,基于opencv设计轴缺陷数据获取和预处理算法,包括轴缺陷图像灰度化模块、去噪模块、边缘检测模块、缺陷图像数据增强模块、多线程处理模块等。(2)对传统的目标检测算法以及深度学习目标检测方法进行分析研究,选择Faster R-CNN作为深度学习目标检测模型,并对传统Faster R-CNN结构进行改变,通过实验进行性能的对比,并且对训练方法和训练参数进行选择。(3)设计并搭建视觉检测平台,对金属轴表面缺陷检测平台的结构和布局进行设计;基于STM32单片机设计检测平台底层控制系统,包括对金属轴旋转模块、照明模块、通信模块的电路及控制方法进行设计;基于QT对上位机界面进行设计,通过上位机串口通信向下位机发送指令进行控制。(4)制作金属轴表面缺陷数据集,总共包含4万张图片数据,凹坑、划痕、磨损、缺口各一万张,并且按照训练集、验证集、测试集进行划分;基于Tensorflow深度学习框架搭建Faster R-CNN目标检测模型,通过获取的数据集进行模型的训练和调优,并对不同结构的Faster R-CNN对缺陷的识别能力以及检测速度进行比较并作误差来源分析,验证了金属轴表面缺陷检测与分类系统的正确性、有效性和可靠性。本论文设计了一种基于深度学习方法的金属轴表面缺陷检测系统,能有效的对本项目中各类轴缺陷进行定位和识别,最终的准确率可达到94%~96%左右,并且识别速度可以达到5s以内,相比于传统的检测方法在识别精度和泛化能力上都有较大的提升,但在速度上还未达到理想的水准,未来可在软件和硬件上作进一步提升。
【学位单位】：浙江工业大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41;TP183;TH133.2
【部分图文】：

图 2-10 金属轴表面缺陷图像数据增强模型效果图 多线程图像处理线程是进程中的一个实体，是被系统独立调度和分配的基本单位，一个线程可撤销另一个线程，同一个进程中的多个线程之间可以并发执行。多线程是指从硬件上实现多个线程并发执行的技术。具有多线程能力的计算机因有硬件支持同一时间执行多于一个线程，进而提升整体处理性能。在一个程序中，这些独程序片段叫作线程，利用它编程的概念就叫作多线程处理。具有多线程能力的有硬件支持而能够在同一时间执行多于一个线程，进而提升整体处理性能[38]。图像处理的过程就是矩阵的运算，而矩阵运算的复杂度很高，运算成本非常高对于本文中的金属轴缺陷数据量非常庞大，达到了上万张的水平，如果通过单图像的处理运算，将会耗去大量的时间，为了缩短开发周期，将采用多线程编去处理图像。多线程图像处理示伪代码如下所示，由粗筛选得到的金属轴表面集合将分配给不同的线程进行预处理和生成（生成步骤只在初始数据集增强

深度代表的是图像色彩通道，对于黑白图图片来说有三个通道，所以深度为 3。卷积神，将图片信息有效的传递和保留到最后一层经网络的核心部分，其作用是对图像的每一小的特征，通过卷积层之后节点会变得更加的深积核将当前层的一个子节点矩阵转化为下一积层中卷积核的尺寸都是由人工指定的，常卷积核的前向传播过程就是用过左侧的小矩阵程。同时卷积核采用的是共享机制，也就是说样的，同一个卷积核以固定的步长在输入矩阵置的影响，共享卷积核的参数量只和卷积核本，可以大幅度的缩减神经网络的参数，这也就图像数据上。

图 3-3 Faster R-CNN 卷积层共享机制示意图[43]结构设计网络[43]和分类网络之间共享了卷积层来提取卷积度卷积神经网络，不同的卷积神经网络其特征提可以对图片信息做较好的保留和传递，同时可以升。Faster R-CNN 原论文里使用的是 ZFNet，在够达到效果，但是金属轴表面缺陷检测过程中，后果，若有缺陷的金属轴流向市面这会使机器具比较高的准确率。为了保证模型的正确率，以下络包括 ZFNet、VGGNet、ResNet，并根据不同卷比。Net[44]特征提取网络lexNet 进行改进的卷积神经网络，其获得了 2013军，取在 top-5 上的错误率为 11.2%，相比于 Ale

【相似文献】

相关期刊论文 前10条

1 周杭超;董晨晨;陈锋;程力;吴淳杰;翁海舟;;钢球表面缺陷检测方法综述[J];装备制造技术;2018年10期

2 王方;王炎;;基于图像的圣女果表面缺陷检测[J];计算机仿真;2014年02期

3 钱晓亮;张鹤庆;陈永信;曾黎;刁智华;刘玉翠;杨存祥;;基于机器视觉的太阳能电池片表面缺陷检测研究现状及展望[J];北京工业大学学报;2017年01期

4 ;水果表面缺陷检测法获得专利授权[J];食品工业;2015年03期

5 王书志;张建华;冯全;;四种成像技术在水果表面缺陷检测的应用[J];中国农机化;2009年06期

6 陈岚萍;刘寒寒;封晓鸣;;基于水平集的不规则透明表面缺陷检测设计[J];测控技术;2017年02期

7 吴晓鹏;林介邦;唐辉;钟园园;罗祥英;;基于机器视觉的铸坯表面缺陷检测系统的研制[J];武钢技术;2010年01期

8 陈国君;陈鹏;张学军;;基于计算机视觉的轴承表面缺陷检测[J];煤矿机械;2009年02期

9 韩虎;汤永升;;表面缺陷检测系统在冷轧厂的应用[J];梅山科技;2013年01期

10 梁爽;何永辉;彭铁根;;高温环境下表面缺陷检测系统的热防护研究[J];宝钢技术;2012年04期

相关会议论文 前10条

1 郭子建;韩斐;钟洪平;;特种纸表面缺陷检测的多解决方案[A];2015全国特种纸技术交流会暨特种纸委员会第十届年会论文集[C];2015年

2 韩立强;;基于图像分割技术的汽车发动机缸体表面缺陷检测[A];面向21世纪的科技进步与社会经济发展（下册）[C];1999年

3 张凤全;高娜;于明;赵晓安;张慧娟;;图像处理在物体表面缺陷检测中的应用[A];图像图形技术与应用进展——第三届图像图形技术与应用学术会议论文集[C];2008年

4 郭庆华;田陆;袁英宏;黄郁君;;嵌入式系统在钢板表面缺陷检测中的应用[A];2012第四届先进轧钢精整及钢材包装技术学术研讨会文集[C];2012年

5 郭庆华;田陆;袁英宏;黄郁君;;嵌入式系统在钢板表面缺陷检测中的应用[A];2012年全国轧钢生产技术会论文集（下）[C];2012年

6 ;CCD技术在特纸上的最新应用[A];2017全国特种纸技术交流会暨特种纸委员会第十二届年会论文集[C];2017年

7 刘哲;郭中豪;杨子鹏;;钢板表面缺陷检测与控制系统设计[A];天津市电视技术研究会2015年年会论文集[C];2015年

8 康慧;齐铁城;;薄壁异形件表面缺陷检测系统的研制[A];中国核科学技术进展报告（第四卷）——中国核学会2015年学术年会论文集第8册（同位素分卷、辐射研究与应用分卷、核技术工业应用分卷、核农学分卷、核医学分卷、核情报分卷）[C];2015年

9 郭庆华;刘海霞;宋丽梅;习江涛;;显微镜镜头的圆弧表面缺陷检测[A];2015光学精密工程论坛论文集[C];2015年

10 夏需堂;吴海滨;;基于线阵CCD的车轮表面缺陷检测系统的图像预处理研究[A];安徽省光学学会2010年激光年会论文摘要集[C];2010年

相关重要报纸文章 前1条

1 ;达涅利表面缺陷检测解决方案[N];世界金属导报;2019年

相关博士学位论文 前6条

1 程万胜;钢板表面缺陷检测技术的研究[D];哈尔滨工业大学;2008年

2 王世通;精密表面缺陷检测散射成像理论建模及系统分析研究[D];浙江大学;2015年

3 梁列全;基于稀疏特征的触摸屏图像缺陷检测及识别方法的研究[D];华南理工大学;2015年

4 丛家慧;引入人类视觉特性的带钢表面缺陷检测与识别方法研究[D];东北大学;2010年

5 储茂祥;钢板表面缺陷检测关键技术研究[D];东北大学;2014年

6 赵立明;基于激光扫描成像与异源CCD融合的连铸热坯表面缺陷检测方法研究[D];重庆大学;2014年

相关硕士学位论文 前10条

1 孙梦鸽;基于密集生成对抗网络的磁瓦表面缺陷检测算法研究[D];浙江大学;2019年

2 蔡超鹏;基于深度学习的金属轴表面缺陷检测与分类研究[D];浙江工业大学;2019年

3 陈志浩;基于深度学习的磁片表面缺陷检测研究[D];浙江工业大学;2018年

4 董百川;基于机器视觉的钢球表面缺陷检测算法[D];哈尔滨理工大学;2018年

5 李晓梅;基于图像处理的钢轨表面缺陷检测与定位研究[D];兰州交通大学;2018年

6 张浩;基于深度学习的表面缺陷检测方法研究[D];苏州大学;2018年

7 黄炳强;基于机器视觉的长竹条表面缺陷检测及颜色分类研究[D];广西师范大学;2018年

8 张斌洪;纹理背景中的表面缺陷检测算法研究[D];暨南大学;2018年

9 于志洋;基于全卷积神经网络的表面缺陷检测方法研究[D];哈尔滨工业大学;2018年

10 王立中;基于深度学习的带钢表面缺陷检测[D];西安工程大学;2018年

本文编号：2832295