基于目标检测的汽车线束外观检测应用研究
发布时间：2021-06-21 22:53
近年来,卷积神经网络（Convolutional Neural Networks,CNN）逐渐取代传统的手工特征方法,在计算机视觉领域发挥着重要的作用。卷积神经网络使用交替的卷积层和池化层对图像进行处理,相较传统方法,能够在图像分类挑战中取得更高准确率。得益于卷积神经网络从图像中学习特征表示的能力,目标检测领域迅速发展,涌现出不同类型的检测框架。目标检测方法的检测精度逐渐提高,广泛应用于各个领域之中,如人脸检测、行人检测等。工业领域之中,尽管机器视觉等技术能够对缺陷进行辅助识别,缺陷检测的主体仍为人工检测,检测人员直接观察或使用特定工具对产品进行检测。人工检测的方式受限于人类的工作速率,且随着工作时间的增加,检测人员注意力下降,极易发生产品的漏检现象。使用人工检测大量消耗人力资源,且检测精度不高,缺陷检测领域亟需变革。本文面向传统人工检测和机器视觉方法的缺陷,提出使用Mask R-CNN对线束作整体的外观检测,将目标检测方法与线束外观检测进行有机结合,实现了应用创新。针对这一目标,本文对线束样本进行图像采集、清洗和标注等操作,构建了高质量的线束外观检测数据集。在线束外观的检测过程中,针...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：94 页
【学位级别】：硕士
【部分图文】：
卷积层各超参数示意图
电子科技大学硕士学位论文图3-1线束样本示意图然而，布线板的空间跨度较大，使用相机进行拍照时，无法将线束主体完整拍摄。因此，按照线束对数据进行分批次的拍摄，一次详细的采集流程如下：1.将线束布置在布线板上，并将布线板设置在初始位置；2.对布线板进行水平位移并拍照，每次水平位移的距离为30厘米，共位移四次；3.对布线板进行一次向上的垂直平移，距离为20厘米；4.按照第2步的移动方式水平移动布线板并拍照。按照如上流程，一个完整的批次共采集线束图像8张，对应布线板上的不同区域。本次实验共对200组线束布置进行数据采集，共得到1600张线束样本的图像，其中图像的分辨率为3280×2464。3.2数据清洗对采集而来的数据集进行分析，可以看到部分采集得来的图像存在问题：由于线束在布线板上的布置并非固定，而是根据线束的形状和布线板的位置进行布置，在进行拍照时，部分得到的图像上几乎不存在线束样本。如果将这部分图像作为数据集的一部分进行训练，势必影响数据集的数据分布，对模型的训练产生影响。同时，由于抖动等原因，部分图像在拍照时对焦不准，导致图像样本模糊，难以对其进行进一步的样本标注和外观检测。因此，对采集得来的图像进行清洗，删除低质量的图像样本，共得到高质量30
第三章数据集的构建与分析的线束样本图像1279张。3.3图像标注在得到样本图像之后，本文使用labelme软件对图像进行标注。Labelme是由麻省理工开发的图像数据集标注工具，支持不同图像任务的标注方式，包括但不限于目标检测、语义分割和实例检测等任务。本文的任务为线束外观检测，不仅需要指出线束上胶带区域的缠法，还需指出具体的缠法区域，因此采用实例分割的方式对图像进行标注。在论文中，线束样本的胶带缠法一共有四种不同的类别：1.点缠（Spot）：点缠为垂直于波纹管进行缠绕的胶带缠绕方法，点缠的胶带区域之间有间隔不相连，多为矩形；2.花缠（Rough）：花缠为倾斜于橡胶管进行缠绕的胶带缠绕方法，从拍摄角度观察花缠之间有间隔不相连，形状多为平行四边形。在无特殊工艺要求的情况下，间隔的距离标准为胶带宽度的50%；3.全缠（Half）：全缠为胶带密集覆盖电线的胶带缠法，胶带区域连续不存在空隙。在无特殊工艺要求的情况下，重叠胶带区域的标准为胶带宽度的50%；4.交叉缠（Cross）：交叉缠法多出现于多根线束的交叉地带或线束区域的末端，形状变化大。当交叉缠与点缠或花缠相连时，取点缠或花缠的第一个空隙为交叉缠的边界；当交叉缠与全缠相连时，以交叉缠的中心点为起点，取胶带宽度为边界进行切分。在进行标注时，使用缠法的英文名称作为标签，分别为：spot,rough,half和cross。图3-2图像样本标注流程示意图31
【参考文献】：
期刊论文
[1]基于机器视觉的汽车线束压接缺陷检测系统[J]. 张相胜,焦鹏,潘丰. 仪表技术与传感器. 2020(03)
[2]线束端子角度姿态的视觉检测方法[J]. 王雨青,陈小林,余毅. 国外电子测量技术. 2020(03)
[3]汽车行业产销数据[J]. 赵黎. 汽车纵横. 2019(11)
[4]基于机器视觉的汽车线束外观检测方法研究[J]. 黄思博,蔡昭权,方晓彬,陈伽,蔡映雪. 现代计算机. 2019(19)
[5]汽车线束设计及线束用原材料的选取[J]. 程宁. 汽车实用技术. 2015(08)
[6]浅谈汽车电线束的品质控制[J]. 蒋廷云,陈胜国,王寿山,史曹,宗喜旺. 汽车电器. 2014(04)
[7]汽车线束设计及线束用原材料[J]. 谷孝卫. 汽车电器. 2006(10)
本文编号：3241579
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：94 页
【学位级别】：硕士
【部分图文】：
卷积层各超参数示意图
电子科技大学硕士学位论文图3-1线束样本示意图然而，布线板的空间跨度较大，使用相机进行拍照时，无法将线束主体完整拍摄。因此，按照线束对数据进行分批次的拍摄，一次详细的采集流程如下：1.将线束布置在布线板上，并将布线板设置在初始位置；2.对布线板进行水平位移并拍照，每次水平位移的距离为30厘米，共位移四次；3.对布线板进行一次向上的垂直平移，距离为20厘米；4.按照第2步的移动方式水平移动布线板并拍照。按照如上流程，一个完整的批次共采集线束图像8张，对应布线板上的不同区域。本次实验共对200组线束布置进行数据采集，共得到1600张线束样本的图像，其中图像的分辨率为3280×2464。3.2数据清洗对采集而来的数据集进行分析，可以看到部分采集得来的图像存在问题：由于线束在布线板上的布置并非固定，而是根据线束的形状和布线板的位置进行布置，在进行拍照时，部分得到的图像上几乎不存在线束样本。如果将这部分图像作为数据集的一部分进行训练，势必影响数据集的数据分布，对模型的训练产生影响。同时，由于抖动等原因，部分图像在拍照时对焦不准，导致图像样本模糊，难以对其进行进一步的样本标注和外观检测。因此，对采集得来的图像进行清洗，删除低质量的图像样本，共得到高质量30
第三章数据集的构建与分析的线束样本图像1279张。3.3图像标注在得到样本图像之后，本文使用labelme软件对图像进行标注。Labelme是由麻省理工开发的图像数据集标注工具，支持不同图像任务的标注方式，包括但不限于目标检测、语义分割和实例检测等任务。本文的任务为线束外观检测，不仅需要指出线束上胶带区域的缠法，还需指出具体的缠法区域，因此采用实例分割的方式对图像进行标注。在论文中，线束样本的胶带缠法一共有四种不同的类别：1.点缠（Spot）：点缠为垂直于波纹管进行缠绕的胶带缠绕方法，点缠的胶带区域之间有间隔不相连，多为矩形；2.花缠（Rough）：花缠为倾斜于橡胶管进行缠绕的胶带缠绕方法，从拍摄角度观察花缠之间有间隔不相连，形状多为平行四边形。在无特殊工艺要求的情况下，间隔的距离标准为胶带宽度的50%；3.全缠（Half）：全缠为胶带密集覆盖电线的胶带缠法，胶带区域连续不存在空隙。在无特殊工艺要求的情况下，重叠胶带区域的标准为胶带宽度的50%；4.交叉缠（Cross）：交叉缠法多出现于多根线束的交叉地带或线束区域的末端，形状变化大。当交叉缠与点缠或花缠相连时，取点缠或花缠的第一个空隙为交叉缠的边界；当交叉缠与全缠相连时，以交叉缠的中心点为起点，取胶带宽度为边界进行切分。在进行标注时，使用缠法的英文名称作为标签，分别为：spot,rough,half和cross。图3-2图像样本标注流程示意图31
【参考文献】：
期刊论文
[1]基于机器视觉的汽车线束压接缺陷检测系统[J]. 张相胜,焦鹏,潘丰. 仪表技术与传感器. 2020(03)
[2]线束端子角度姿态的视觉检测方法[J]. 王雨青,陈小林,余毅. 国外电子测量技术. 2020(03)
[3]汽车行业产销数据[J]. 赵黎. 汽车纵横. 2019(11)
[4]基于机器视觉的汽车线束外观检测方法研究[J]. 黄思博,蔡昭权,方晓彬,陈伽,蔡映雪. 现代计算机. 2019(19)
[5]汽车线束设计及线束用原材料的选取[J]. 程宁. 汽车实用技术. 2015(08)
[6]浅谈汽车电线束的品质控制[J]. 蒋廷云,陈胜国,王寿山,史曹,宗喜旺. 汽车电器. 2014(04)
[7]汽车线束设计及线束用原材料[J]. 谷孝卫. 汽车电器. 2006(10)
本文编号：3241579
本文链接：https://www.wllwen.com/kejilunwen/qiche/3241579.html
