轮毂铸造缺陷检测的关键技术研究

发布时间：2021-07-20 01:36

　　随着信息技术的飞速发展,在实际的生产中,汽车轮毂铸造缺陷的自动检测与定级有助于提高汽车轮毂生产的质量和效率。本文主要研究了轮毂铸造缺陷的目标检测和目标分割技术,降低轮毂缺陷检测中的漏检和过检以及为缺陷定级。传统的目标检测算法的准确率依赖于人工调整参数,并且漏检率和过检率都很高,无法满足实际生产的需求。将基于卷积神经网络（CNN）的区域卷积神经网络（R-CNN）系列目标检测模型中更快的区域卷积神经网络（Faster R-CNN）模型应用到轮毂缺陷的目标检测中,检测结果的漏检率和过检率较低,且检测时无需人工干预。针对轮毂缺陷的特点,本文提出了新的锚框设置方案,采用了特征提取能力更强的基础网络和多卷积层的多尺度信息融合,实验证明改进后的模型漏检率更低。轮毂缺陷的目标分割主要工作是提取到缺陷更精确的轮廓,计算缺陷面积和延展长度等缺陷参数给缺陷定级。由于传统的分割算法在复杂场景下分割效果不理想,本文使用全卷积网络（Fully Convolutional Network,FCN）分割轮毂缺陷目标,利用更低层信息来辅助进行上采样的训练方法能得到更精确的分割结果,为进一步提高分割效果,在Faster ... 

【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校

【文章页数】：79 页

【学位级别】：硕士

【部分图文】：

检测中的轮毂示意图

主要的操作步骤为：（1）待检测轮毂进入检测区域，下位机自动；（2）下位机将待检测轮毂送入检测区域，并自动旋转待检测进入 X 射线穿透的部位；（3）X 射线机产生 X 射线，X 射线穿透，照射到平板探测器上，通过平板探测器转化为数字信号，并传给位机实时显示传过来的数字图像信号，通过人工检测来判定轮毂果反馈给下位机，如果不合格的话需要记录此轮毂的轮毂型号、缺面积及延展长度等数据，这些数据被用来对缺陷定级以及分析造成造工艺参数；（5）下位机根据反馈的检测结果控制此轮毂进入合区。而轮毂生产的半自动检测方式主要有以下缺点：（1）容易受观因素影响，检测标准可能不统一，检测结果也不稳定；（2）检观察下容易出现视觉疲劳，造成检测结果准确率下降；（3）人工，检测人员需要观察 X 射线图像的每个部位，检测时间受检测人的直接影响。

第一章 绪论对两次分割的差值图像进行边缘检测，提取出轮毂缺陷。吴炜峰在何再兴的“山峰”定位法[21]的基础上提出了一种线性扫描的缺陷检测方法[25]，实现了对缺陷的定位和缺陷轮廓的提取。上文提到的缺陷检测方法都有各自的优点和缺点，但是都难以完全满足实际生产环境中轮毂缺陷的检测需求。上文算法和研究主要的问题有：（1）计算复杂度过高，无法满足实际的检测速度要求；（2）算法的通用性较差，无法同时兼顾多种型号轮毂和多种类别的缺陷；（3）某些算法受参数影响太大，在检测中需要根据不同的情况反复修正参数；（4）对于某些结构复杂和背景复杂的缺陷，识别准确率不高。


本文编号：3291850