基于MSSD网络的表面缺陷检测技术研究与实现
发布时间：2021-08-13 15:25
表面缺陷自动检测对于提高工业自动化生产效益,提高产品质量有着很大的影响,而基于机器视觉的研究方法在缺陷检测领域具有很强的灵活性和高效性,已经成为工业生产制造过程中不可缺少的一部分。表面缺陷检测技术的应用可以使技术人员及时发现存在的问题并对其做出改进,减少经济损失。部署在各个生产环节中的检测系统对减少生产成本,提高生产质量以及生产效率有着举足轻重的地位。为此,本文以产品表面缺陷检测为研究对象。利用深度学习模型自学习、特征自提取的优势,开展基于深度学习的缺陷目标检测算法研究,着重解决表面缺陷检测问题,具体工作内容如下:1.本文通过对比不同的目标检测算法,最终选择以SSD目标检测算法为研究基础。提出了适合复杂纹理背景信息干扰的缺陷目标检测方法。改进SSD算法通过局部感受野融合不同尺度的特征信息,设计默认框的初始比例来应对工业产品生产中划痕这类小目标的检测要求,实现表面缺陷特征提取和识别。对大小,种类和形态各异的缺陷都有很好的鲁棒性。为了解决嵌入式平台计算能力差,无法进行大量卷积计算的问题,将轻量级移动卷积网络MobileNet作为前端特征提取器替换VGG16网络来获得更高效的缺陷检测网络。通...
【文章来源】：重庆邮电大学重庆市
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
康耐视表面缺陷自动检测案例
2.2.3 NMS（非极大值抑制） 非极大值抑制（Non-maximum suppression，NMS）[32]类似于局部最大值搜索算法，它的主要思路就是将局部最大值保留下来，抑制不是极大值的数据，只会获取识别结果中置信度最大的情况。而在目标检测算法中应用 NMS 可以消除其他多余的候选框。使得最后确定的候选框的边框回归值最小，无限接近实际目标的正确位置，算法流程图如 2.7 所示。NMS 在机器视觉领域有着很广泛的应用，比如目标跟踪，目标识别，纹理分析以及 3D 建模等。
重庆邮电大学硕士学位论文第3章基于MSSD网络模型的设计与优化34表3.6共选取了4类缺陷进行检测识别DetectsClass1Class2Class3Class4TotalsTraining130200214200744Testing201008498302Totals1503002982981046所有的样本数据的图片分辨率为512×512像素。将所有的数据集按照缺陷类别进行重新整理。Class1对应擦花缺陷类型，Class2对应碰凹缺陷类型，Class3对应划痕缺陷类型，Class4对应麻点缺陷类型。重新整理以后，按照上表的大小进行训练集和测试集的划分，并统计样本总数。由于DAGM2007数据集是单通道的灰度图，与实际检测场景的模型计算不同，需要扩展样本为三通道的RGB图像，以满足模型的训练要求。这样得到的样本数据的图片分辨率为512×512×3，其中3表示样本是3通道的RGB图像。3.4模型训练与检测结果分析模型的损失函数类别包括分类损失，位置损失以及总损失，本文将损失参数设置为both，同时观察分类损失和位置损失。模型总共训练了50000步。训练过程中的分类损失和位置损失变化情况如图3.9所示，可以看出在训练的前期，分类损失和位置损失都下降很快，但是位置损失函数的波动比较大，但是总体趋于收敛状态。分类损失函数总体变化比较平稳，波动也比较校图3.9位置损失和分类损失总损失函数变化情况如图3.10所示。
【参考文献】：
期刊论文
[1]深度学习目标检测方法综述[J]. 赵永强,饶元,董世鹏,张君毅. 中国图象图形学报. 2020(04)
[2]基于对抗式生成网络的农作物病虫害图像扩充[J]. 林胜,巩名轶,牟文芊,董伯男. 电子技术与软件工程. 2020(03)
[3]基于面部结构残差网络的压缩人脸图像复原算法[J]. 赵强,干宗良,刘峰. 南京邮电大学学报(自然科学版). 2019(04)
[4]自由贸易协定与中国出口产品质量——以中国制造业出口产品为例[J]. 王明涛,谢建国. 国际贸易问题. 2019(04)
[5]基于深度神经网络的表面划痕识别方法[J]. 李文俊,陈斌,李建明,钱基德. 计算机应用. 2019(07)
[6]基于深度卷积神经网络的人脸识别技术综述[J]. 景晨凯,宋涛,庄雷,刘刚,王乐,刘凯伦. 计算机应用与软件. 2018(01)
[7]基于深度学习的目标检测算法综述[J]. 周晓彦,王珂,李凌燕. 电子测量技术. 2017(11)
[8]基于边缘检测的卷积核数量确定方法[J]. 文元美,余霆嵩,凌永权. 计算机应用研究. 2018(11)
[9]谷歌TensorFlow机器学习框架及应用[J]. 章敏敏,徐和平,王晓洁,周梦昀,洪淑月. 微型机与应用. 2017(10)
[10]金属表面缺陷自适应分割算法[J]. 马云鹏,李庆武,何飞佳,刘艳,席淑雅. 仪器仪表学报. 2017(01)
硕士论文
[1]基于深度学习的防控指挥系统的实现[D]. 苟攀.电子科技大学 2019
本文编号：3340675
【文章来源】：重庆邮电大学重庆市
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
康耐视表面缺陷自动检测案例
2.2.3 NMS（非极大值抑制） 非极大值抑制（Non-maximum suppression，NMS）[32]类似于局部最大值搜索算法，它的主要思路就是将局部最大值保留下来，抑制不是极大值的数据，只会获取识别结果中置信度最大的情况。而在目标检测算法中应用 NMS 可以消除其他多余的候选框。使得最后确定的候选框的边框回归值最小，无限接近实际目标的正确位置，算法流程图如 2.7 所示。NMS 在机器视觉领域有着很广泛的应用，比如目标跟踪，目标识别，纹理分析以及 3D 建模等。
重庆邮电大学硕士学位论文第3章基于MSSD网络模型的设计与优化34表3.6共选取了4类缺陷进行检测识别DetectsClass1Class2Class3Class4TotalsTraining130200214200744Testing201008498302Totals1503002982981046所有的样本数据的图片分辨率为512×512像素。将所有的数据集按照缺陷类别进行重新整理。Class1对应擦花缺陷类型，Class2对应碰凹缺陷类型，Class3对应划痕缺陷类型，Class4对应麻点缺陷类型。重新整理以后，按照上表的大小进行训练集和测试集的划分，并统计样本总数。由于DAGM2007数据集是单通道的灰度图，与实际检测场景的模型计算不同，需要扩展样本为三通道的RGB图像，以满足模型的训练要求。这样得到的样本数据的图片分辨率为512×512×3，其中3表示样本是3通道的RGB图像。3.4模型训练与检测结果分析模型的损失函数类别包括分类损失，位置损失以及总损失，本文将损失参数设置为both，同时观察分类损失和位置损失。模型总共训练了50000步。训练过程中的分类损失和位置损失变化情况如图3.9所示，可以看出在训练的前期，分类损失和位置损失都下降很快，但是位置损失函数的波动比较大，但是总体趋于收敛状态。分类损失函数总体变化比较平稳，波动也比较校图3.9位置损失和分类损失总损失函数变化情况如图3.10所示。
【参考文献】：
期刊论文
[1]深度学习目标检测方法综述[J]. 赵永强,饶元,董世鹏,张君毅. 中国图象图形学报. 2020(04)
[2]基于对抗式生成网络的农作物病虫害图像扩充[J]. 林胜,巩名轶,牟文芊,董伯男. 电子技术与软件工程. 2020(03)
[3]基于面部结构残差网络的压缩人脸图像复原算法[J]. 赵强,干宗良,刘峰. 南京邮电大学学报(自然科学版). 2019(04)
[4]自由贸易协定与中国出口产品质量——以中国制造业出口产品为例[J]. 王明涛,谢建国. 国际贸易问题. 2019(04)
[5]基于深度神经网络的表面划痕识别方法[J]. 李文俊,陈斌,李建明,钱基德. 计算机应用. 2019(07)
[6]基于深度卷积神经网络的人脸识别技术综述[J]. 景晨凯,宋涛,庄雷,刘刚,王乐,刘凯伦. 计算机应用与软件. 2018(01)
[7]基于深度学习的目标检测算法综述[J]. 周晓彦,王珂,李凌燕. 电子测量技术. 2017(11)
[8]基于边缘检测的卷积核数量确定方法[J]. 文元美,余霆嵩,凌永权. 计算机应用研究. 2018(11)
[9]谷歌TensorFlow机器学习框架及应用[J]. 章敏敏,徐和平,王晓洁,周梦昀,洪淑月. 微型机与应用. 2017(10)
[10]金属表面缺陷自适应分割算法[J]. 马云鹏,李庆武,何飞佳,刘艳,席淑雅. 仪器仪表学报. 2017(01)
硕士论文
[1]基于深度学习的防控指挥系统的实现[D]. 苟攀.电子科技大学 2019
本文编号：3340675
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3340675.html
最近更新
教材专著
