基于计算机视觉的汽车表观瑕疵检测系统的研究
发布时间：2021-08-11 00:35
汽车表观的质量检验作为汽车生产、运输和销售中的重要流程之一,对汽车整体的销售会产生直接的影响。然而,目前采取的人工目测方式不仅检测效率低而且不利于数据的存储。当前,计算机视觉技术作为新兴的检测技术,为汽车表观的瑕疵检测提供了技术支撑和方向。为了实现智能化的汽车表观瑕疵检测,本文拟构建一套基于计算机视觉的汽车表观瑕疵检测智能系统。本文主要完成工作如下:（1）通过对汽车表观瑕疵检测的系统需求分析,进行硬件平台和软件系统的设计。为实现汽车表观图像的自动化采集,设计系统采集方案;在此基础上,通过分析和选择采集平台所需的组件,完成搭建自动化的汽车表观图像采集平台;结合硬件平台和软件系统需求,进行软件系统相关设计。（2）分析并设计汽车表观图像处理模块。研究多种基于深度学习的目标检测算法并进行对比,选取YOLOv3目标检测算法进行汽车表观的瑕疵检测;采集汽车表观图像,构建算法训练所需的数据集,针对图像噪声问题,分析噪声来源和类型,研究图像去噪算法;针对采集到的低分辨率汽车表观图像,为了放大到算法训练所需的尺寸,提出一种稳健图像处理算法,即基于矩阵回归的图像超分辨率算法,改善图像超分辨的重建效果;由于...
【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校
【文章页数】：75 页
【学位级别】：硕士
【图文】：
传统人工检测示意图
图像超分辨是指利用低分辨率的输入图像或多个图像序列来重建具有详细特征的高分辨率图像的过程[47][48]。超分辨率算法将图像放大到所需要的尺寸，为了保证图像的质量，主要集中对低分辨率图像的细节信息和详细的结构特征进行恢复和保留。采用稳健的图像超分辨率算法对图像细节信息进行重建，更加有利于提高超分辨图像的识别精度和检测的准确性。图像超分辨率技术应用范围广泛，包括卫星图像的分析、工业检测、医学研究和国防安全等众多领域。一般来讲，图像局部自相似性存在于同一幅自然图像中不同尺度的图像块之间，如图2-2所示为图像局部自相似性的示例图[49]。图2-2图像自相似性示例Figure2-2Exampleofimageself-similarity由上图可得，左侧花瓣上的图像块与花托根部的图像块之间具备相似性，虽然图像尺度有所不同，但是图像块之间仍然表现出高度的相似性，这些特征可以作为约束超分辨重建过程的先验知识。当图像进行亚像素位移时，在原始图像块附近会出现类似的图像块结构，这表明图像块的相同或不同尺度之间的相似性可以作为基于自学习的图像超分辨的理论依据。在此基础上，可以将不同尺度的相似性图像块构建为超分辨重建所需的训练样本，在不需要外部样本的情况下就可以完成图像的超分辨率重建。Freedman等人[50]提出的图像超分辨方法是基于图像自相似性的经典算法，通过搜索相似性图像块中的高频细节实现对低分辨率图像块中信息的补充，进而完成图像的超分辨率重建。在此过程中，采用传统绝对误差算法，以进行高低分辨率图像块之间的相似性度量，选取绝对值误差最小的图像块进行高频细节的补充。算法模型如式（2.1）所示。11(,)((,)(,))nmlhjiSuvfijfiujv===++(2.1)其中，lf表示低分辨率图块中像素点(i,j)处的
工程硕士专业学位论文14图2-6神经元结构模型Figure2-6StructuralModelofNeurons如图2-6中可得，ix表示输入的数据信号，j代表了神经元，ijw表示输入的数据信号ix与神经元j之间的连接权重，对于神经元j自身偏置值由jb进行表示。如果利用jO表示输出结果，那么一般输入和输出的映射关系如式（2.8）所示：1(())njjiijiOfbxw==+(2.8)其中表示激活函数，一般有sigmoid函数、tanh(x)函数、ReLU函数等。（2）局部感知在传统神经网络中，由于各层神经元之间进行全连接，所以导致网络结构相对复杂，参数较多，加重训练难度。CNN中提出局部感受野的概念，有效缓解了传统神经网络所面临的问题。神经元之间通过局部感知的操作，减少参数量的同时还有效保留了必要的信息。（3）权值共享权值共享作为CNN的核心思想之一，即对网络模型中的参数进行共享操作，该思想源于相邻生物神经元在结构和功能上具有类似性和可取代性[62]。在CNN中，由于多个卷积核在对网络特征图进行遍历的过程中共享一组权值参数，即表示卷积核对图像的遍历过程中，参数是始终固定不变的。该操作方式有效地减少了网络参数数量，进而实现了网络复杂度的降低。卷积神经网络所采取的上述先进的思想策略，不仅可以减少网络运算量，而且有利于提高模型的计算速度和能力，使其在人工智能领域展现出独特的应用优势和广阔的应用前景。
本文编号：3335083
【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校
【文章页数】：75 页
【学位级别】：硕士
【图文】：
传统人工检测示意图
图像超分辨是指利用低分辨率的输入图像或多个图像序列来重建具有详细特征的高分辨率图像的过程[47][48]。超分辨率算法将图像放大到所需要的尺寸，为了保证图像的质量，主要集中对低分辨率图像的细节信息和详细的结构特征进行恢复和保留。采用稳健的图像超分辨率算法对图像细节信息进行重建，更加有利于提高超分辨图像的识别精度和检测的准确性。图像超分辨率技术应用范围广泛，包括卫星图像的分析、工业检测、医学研究和国防安全等众多领域。一般来讲，图像局部自相似性存在于同一幅自然图像中不同尺度的图像块之间，如图2-2所示为图像局部自相似性的示例图[49]。图2-2图像自相似性示例Figure2-2Exampleofimageself-similarity由上图可得，左侧花瓣上的图像块与花托根部的图像块之间具备相似性，虽然图像尺度有所不同，但是图像块之间仍然表现出高度的相似性，这些特征可以作为约束超分辨重建过程的先验知识。当图像进行亚像素位移时，在原始图像块附近会出现类似的图像块结构，这表明图像块的相同或不同尺度之间的相似性可以作为基于自学习的图像超分辨的理论依据。在此基础上，可以将不同尺度的相似性图像块构建为超分辨重建所需的训练样本，在不需要外部样本的情况下就可以完成图像的超分辨率重建。Freedman等人[50]提出的图像超分辨方法是基于图像自相似性的经典算法，通过搜索相似性图像块中的高频细节实现对低分辨率图像块中信息的补充，进而完成图像的超分辨率重建。在此过程中，采用传统绝对误差算法，以进行高低分辨率图像块之间的相似性度量，选取绝对值误差最小的图像块进行高频细节的补充。算法模型如式（2.1）所示。11(,)((,)(,))nmlhjiSuvfijfiujv===++(2.1)其中，lf表示低分辨率图块中像素点(i,j)处的
工程硕士专业学位论文14图2-6神经元结构模型Figure2-6StructuralModelofNeurons如图2-6中可得，ix表示输入的数据信号，j代表了神经元，ijw表示输入的数据信号ix与神经元j之间的连接权重，对于神经元j自身偏置值由jb进行表示。如果利用jO表示输出结果，那么一般输入和输出的映射关系如式（2.8）所示：1(())njjiijiOfbxw==+(2.8)其中表示激活函数，一般有sigmoid函数、tanh(x)函数、ReLU函数等。（2）局部感知在传统神经网络中，由于各层神经元之间进行全连接，所以导致网络结构相对复杂，参数较多，加重训练难度。CNN中提出局部感受野的概念，有效缓解了传统神经网络所面临的问题。神经元之间通过局部感知的操作，减少参数量的同时还有效保留了必要的信息。（3）权值共享权值共享作为CNN的核心思想之一，即对网络模型中的参数进行共享操作，该思想源于相邻生物神经元在结构和功能上具有类似性和可取代性[62]。在CNN中，由于多个卷积核在对网络特征图进行遍历的过程中共享一组权值参数，即表示卷积核对图像的遍历过程中，参数是始终固定不变的。该操作方式有效地减少了网络参数数量，进而实现了网络复杂度的降低。卷积神经网络所采取的上述先进的思想策略，不仅可以减少网络运算量，而且有利于提高模型的计算速度和能力，使其在人工智能领域展现出独特的应用优势和广阔的应用前景。
本文编号：3335083
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3335083.html
