基于深度学习算法的尿素泵体用铝型材表面瑕疵检测

发布时间：2021-06-16 16:39

　　尿素泵为机动车尾气后处理系统的核心设备,泵体材料一般为铝型材,在铝型材生产过程中,受工艺等因素的影响会产生各种瑕疵,影响铝型材的质量。传统人工检测,质检的效率和准确率难以满足生产需要。本文将深度学习算法引入到缺陷检测中,结合迁移学习原理,使用小批量数据集,利用改进的YOLO模型进行训练,预测铝型材表面瑕疵。试验结果显示,尽管在小批量训练的条件下,验证集mAP值为87.43%,仍取得了98.2%的准确率,比拟人工检测的准确率,并可以快速、准确的定位缺陷部位。此技术有望革新现有质检流程,自动完成质检任务,保证产品的质量;另外,基于深度学习算法表面缺陷检测方法,鲁棒性好,具有一定的普适性,可以推广到相关的其他应用领域。 

【文章来源】：流体机械. 2020,48(08)北大核心CSCD

【文章页数】：7 页

【部分图文】：

基于深度学习的视觉感知步骤

本次试验总共有1 416幅铝型材图像,包含有缺陷图像856幅和无缺陷图像560幅,针对常见的6种缺陷:“擦花”、“凸粉”、“漏底”、“碰凹”、“桔皮”、“脏点”,如图2所示。使用标注工具labelImg进行了标注,按照VOC2007数据集格式制作训练集和测试集。数据集,共分为3种类型:训练集为包含缺陷的图像;测试集,既包含缺陷图片又包含无缺陷图像(每种缺陷10幅);负样本为无缺陷图像,是训练集的一部分,共计500幅。数据集每种样本的数量见表1。表1 数据集及分类 缺陷种类 训练集 测试集 负样本 擦花 120 28+10 500 凸粉 112 24+10 漏底 122 24+10 碰凹 118 27+10 桔皮 121 30+10 脏点 106 26+10

YOLOv3模型是由一个252层的DCNN网络,只有卷积层,没有池化层和全连接层,池化层被卷积层(3×3的卷积,stride=2)代替。它的主干网络为darknet-53,顾名思义包含53个卷积层,作为YOLOv3特征提取的主要网络结构。我们利用迁移学习的思想,对于低层的网络参数权重,采用大数据COCO数据集的训练结果,后面的网络用自己的数据集进行训练如图3所示。实际训练时我们冻结了最前面的249层,最后3层采用我们制作的数据集进行训练。

【参考文献】：
期刊论文
[1]上海地区太阳能-地源热泵冬季联合运行试验研究[J]. 崔云翔,蔡颖玲.  流体机械. 2019(02)
[2]氨吸收式太阳能热泵-板式换热器联合供暖系统的理论与试验研究[J]. 卢晨,杨洪兴,吕建,李宪莉,郭欣玥,李方雪.  流体机械. 2018(02)
[3]太阳能汽车续航模型及光储优化配置方法[J]. 毛涛涛,潘国兵,欧阳静,陈金鑫,胥芳.  机电工程. 2018(01)
[4]基于深度学习的太阳能电池片表面缺陷检测方法[J]. 王宪保,李洁,姚明海,何文秀,钱沄涛.  模式识别与人工智能. 2014(06)
[5]利用傅里叶变换提取图像纹理特征新方法[J]. 徐贵力,毛罕平.  光电工程. 2004(11)
[6]利用小波变换和特征加权进行纹理分割[J]. 吴高洪,章毓晋,林行刚.  中国图象图形学报. 2001(04)



本文编号：3233418