基于深度学习的工业图像分类与检测系统设计

发布时间：2022-08-07 18:00

　　随着工业生产效率的不断提升,对工业产品的检测标准也越来越严格。传统图像处理方法通常基于预先设计好的特征提取器,通过不断调整参数来优化检测结果,对纹理复杂的工业图像检测效果较差。而深度学习通过对大量样本进行训练学习,得到的特征能够更好地表征数据集的本质信息,更有利于表面缺陷的分类与检测,为目前传统算法中存在的误检率高、准确率低等问题提供了新的解决思路。本文提出了基于GAN和Faster R-CNN的工业图像分类与检测算法、基于YOLOv2的工业图像分类与检测算法。研究内容主要包括以下几个方面:（1）研究了工业图像分类与检测问题,设计了基于深度学习的工业图像分类与检测系统。系统主要包括图像采集子系统、电机驱动与控制、数据处理与人机交互和机器人协调控制四部分。通过相机拍摄工业图像,使用深度学习算法判断图像中是否存在缺陷,并统计缺陷类型及位置信息,实现工业图像的实时分类与检测,在输出控制部分引入机器人技术,通过机械臂将有缺陷的工业品进行分拣,从而提高产品质量。（2）提出基于GAN和Faster R-CNN的工业图像分类与检测算法。针对工业图像采集过程中存在缺陷样本分布不均,数量匮乏和类型单一等... 

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1 绪论
    1.1 课题来源
    1.2 课题研究背景及意义
    1.3 国内外研究现状
        1.3.1 工业图像分类与检测算法研究现状
        1.3.2 深度学习研究现状及发展动态
    1.4 论文章节安排
2 研究对象与系统方案设计
    2.1 研究对象及需求分析
        2.1.1 无纺布口罩
        2.1.2 色织物
        2.1.3 纽扣
    2.2 系统整体方案
        2.2.1 图像采集子系统
        2.2.2 图像采集部件选型
        2.2.3 电机驱动和控制
        2.2.4 机器人协调控制系统
    2.3 本章小结
3 基于GAN和 Faster R-CNN的工业图像分类与检测
    3.1 GAN和 Faster R-CNN网络结构
    3.2 生成对抗网络扩充样本
        3.2.1 生成对抗网络
        3.2.2 生成对抗网络设计
    3.3 Faster R-CNN提取缺陷区域
        3.3.1 RPN网络
        3.3.2 多任务损失函数
        3.3.3 Softmax分类器
        3.3.4 非极大值抑制算法
    3.4 实验与分析
    3.5 本章小结
4 基于YOLOv2 的工业图像分类与检测
    4.1 YOLOv2 网络结构
        4.1.1 一体化检测方案
        4.1.2 损失函数的设计
    4.2 模型优化
        4.2.1 批正则化
        4.2.2 高分辨率分类器
        4.2.3 固定锚卷积
        4.2.4 直接定位预测
    4.3 实验与分析
        4.3.1 数据集预处理
        4.3.2 训练模型
        4.3.3 测试结果及分析
    4.4 本章小结
5 系统软件设计
    5.1 开发工具介绍
        5.1.1 数据标记工具
        5.1.2 集成开发工具
    5.2 用户人机交互界面
        5.2.1 软件设计方案
        5.2.2 系统界面设计
        5.2.3 数据标记界面
    5.3 实验结果
    5.5 本章小结
6 总结与展望
    6.1 全文总结
    6.2 课题展望
参考文献
作者攻读学位期间发表学术论文清单
致谢



本文编号：3670785