基于深度学习的铸件外观缺陷检测研究

发布时间：2024-03-26 01:47

　　铸件的表面常出现暗孔、沙眼、裂纹、凹凸不平等缺陷,这些缺陷不仅削弱铸件的强度,还可能使零件间的衔接产生松动,留下安全隐患。目前,传统检测方法由于成本高、效率低、人工依赖性强等问题,已难以满足工业需求。为此,本文提出了一种基于深度学习的铸件外观缺陷检测算法,以达到更好的检测效果。为了尽可能保留缺陷特征,本文使用500万像素的工业摄像机进行拍摄,得到的图像均为2566*1940像素。算法主要分为两个部分:首先训练一个YOLO网络从原始图像中找出需要检测的区域,将区域图片分割出来并调整为256*256像素大小;随后使用一个改进后的ResNet-50残差网络对得到的图片进行识别,判定其是否存在缺陷。为了提高检测精度,本文对ResNet-50网络进行了两项改进:1.提出了ASoftReLU激活函数,代替传统的ReLU函数,用以缓解神经元死亡,提高训练速度和检测精度;2.采用了多通道卷积神经网络,将数据扩充与图像特征强化结合起来,在训练过程中巩固图像的本质特征,增强网络的抗干扰能力。为了验证算法的有效性,本文在TensorFlow平台搭建神经网络进行了三组实验,最后一组实验为算法的最终结果。实验的...

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 缺陷检测的研究现状
        1.2.2 深度学习的研究现状
    1.3 论文主要研究内容
    1.4 论文章节结构安排
第二章 相关知识及本文任务分析
    2.1 卷积神经网络理论基础
        2.1.1 CNN的组成结构
        2.1.2 CNN的工作原理
        2.1.3 残差学习
    2.2 本文缺陷检测任务分析
        2.2.1 常见缺陷类型
        2.2.2 任务难点分析
    2.3 本章小结
第三章 基于YOLO与 RESNET分类网络的铸件外观缺陷检测算法
    3.1 整体算法介绍
        3.1.1 设计方案
        3.1.2 算法流程
    3.2 基于YOLO-V3 的铸件区域检测与定位
        3.2.1 网络模型
        3.2.2 样本处理
        3.2.3 检测过程
    3.3 基于RESNET-50 的缺陷识别与分类
        3.3.1 网络模型
        3.3.2 结构微调
        3.3.3 训练流程
    3.4 本章小结
第四章 基于改进RESNET的缺陷识别与分类
    4.1 强化数据特征
        4.1.1 数据归一化
        4.1.2 数据集扩充
    4.2 优化网络性能
        4.2.1 优化学习率
        4.2.2 改进激活函数
    4.3 多通道卷积神经网络
        4.3.1 特征强化模块
        4.3.2 检测系统构建
    4.4 本章小结
第五章 实验结果及分析
    5.1 评价标准
    5.2 实验结果分析
    5.3 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
致谢
参考文献
附录1 攻读硕士学会期间发表的论文
附录2 攻读硕士期间参加的科研项目
详细摘要



本文编号：3939179