基于深度学习的金刚石锯片裂纹检测方法研究
发布时间：2023-02-01 14:22
金刚石锯片的缺陷检测是产品品质安全的重要保证,但金刚石颗粒噪声为锯片裂纹检测提高了难度。针对目前常见的的目标检测方法来说,想达到实时快速准确的检测,其效果并不是很好,本文将针对如何高效的检测金刚石裂纹的这一问题展开细致的研究。对于金刚石锯片的材质特征、产出程序中的处理方案存在的问题等原因所构成的影响,导致锯片表层出现相应的裂纹,进而会造成疲劳断裂等情况的出现,这些问题会对用户产生巨大的危害。所以针对该课题开展针对性的分析,有着较为重大的实践价值。文章首先针对图像出现的噪声问题,进行了有效的滤波去噪处理,其次,针对识别方式采用了有效YOLOv3算法进行裂纹的检测识别。该算法以one-stage方法作为基础,有着检测效率高等优势,这使得该算法既可以满足实际生产中对裂纹识别的实时性需求又拥有强大的自主学习的能力。本文在对网络结构的分析中,针对初始特征结构采取相应的优化措施,进而形成了尺度更为丰富,有多种层级划分的金字塔方案,通过高低层次间的有效融合,从而获得覆盖四大层尺度的预测层数据,有益于得到更多有关目标物体的基础特性与位置数据。运用深度学习的方式,神经网络会自动在大数据体系中学习和掌握到...
【文章页数】：76 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.2.1 裂纹检测与识别研究现状
1.2.2 深度学习的研究现状
1.3 本文研究内容
第2章 金刚石锯片裂纹检测方案设计
2.1 整体研究方案
2.1.1 锯片裂纹的特征分析
2.1.2 研究方案及检测流程设计
2.2 基于深度学习的的裂纹检测方法理论分析
2.2.1 卷积神经网络
2.2.2 常用激活函数
2.3 本章小结
第3章 金刚石锯片样本图像预处理
3.1 图像灰度化及灰度拉伸
3.1.1 金刚石锯片图像灰度化处理
3.1.2 图像灰度直方图
3.1.3 灰度拉伸
3.2 图像平滑处理
3.3 图像质量的评价
3.4 金刚石锯片图像去噪算法的改进
3.4.1 NLM滤波算法的改进
3.4.2 双边滤波算法改进
3.4.3 实验分析
3.5 本章小结
第4章 基于YOLO算法的金刚石锯片裂纹检测
4.1 金刚石锯片样本集建立
4.1.1 样本增强
4.2 YOLOv3算法及结构改进
4.2.1 YOLOv3网络架构
4.2.2 YOLOv3回归思想
4.2.3 特征金字塔FPN
4.2.4 网络结构的改进思想及改进效果
4.3 YOLOv3网络训练过程
4.4 实验与分析
4.4.1 实验环境
4.4.2 评价标准
4.4.3 实验结果与分析
4.5 本章小结
结论
参考文献
攻读硕士学位期间的学术成果
致谢
【参考文献】：
期刊论文
[1]GPU based techniques for deep image merging[J]. Jesse Archer,Geoff Leach,Ron van Schyndel. Computational Visual Media. 2018(03)
[2]基于深度信念网络的风机叶片结构损伤识别研究[J]. 顾桂梅,张鑫. 甘肃农业大学学报. 2016(04)
[3]深度学习在图像识别领域的应用现状与优势[J]. 周宇杰. 中国安防. 2016(07)
[4]基于引导核聚类的非局部均值图像去噪算法[J]. 吴一全,李海杰,宋昱. 电子科技大学学报. 2016(01)
[5]基于进化深度学习的特征提取算法[J]. 陈珍,夏靖波,柏骏,徐敏. 计算机科学. 2015(11)
[6]钢结构焊接裂纹的原因及预防策略[J]. 高学民. 科技尚品. 2015(09)
[7]金刚石锯片的焊缝检测方法研究[J]. 赵民,郭家伟,武晓龙,李旭. 金刚石与磨料磨具工程. 2015(04)
[8]基于MATLAB的图像去噪研究[J]. 叶雯. 计算机时代. 2015(06)
[9]深度学习研究进展[J]. 郭丽丽,丁世飞. 计算机科学. 2015(05)
[10]选择性计算的快速非局部均值图像去噪[J]. 罗学刚,吕俊瑞,王华军,杨强. 电子科技大学学报. 2015(01)
硕士论文
[1]基于YOLO的目标检测算法设计与实现[D]. 阮激扬.北京邮电大学 2019
[2]基于YOLO的实时目标检测方法研究[D]. 任培铭.江南大学 2019
[3]基于YOLOv3的道路交通环境行人检测技术研究[D]. 方卓琳.华南理工大学 2019
[4]基于区域卷积神经网络的物体识别算法研究[D]. 杨梓豪.北京邮电大学 2018
[5]高效隐私保护的SVM分类服务查询机制研究[D]. 刘小夏.西安电子科技大学 2017
[6]基于机器视觉的红枣外观品质分级方法研究[D]. 李运志.西北农林科技大学 2016
[7]基于深度学习的目标检测与分割算法研究[D]. 王若辰.北京工业大学 2016
[8]深度学习及其在工件缺陷自动检测中的应用研究[D]. 颜伟鑫.华南理工大学 2016
[9]基于X射线图像的输油管道焊缝缺陷检测与识别[D]. 刘想.电子科技大学 2016
[10]基于非局部均值和非局部TV的图像去噪方法研究[D]. 梁广顺.天津理工大学 2016
本文编号：3734236
【文章页数】：76 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.2.1 裂纹检测与识别研究现状
1.2.2 深度学习的研究现状
1.3 本文研究内容
第2章 金刚石锯片裂纹检测方案设计
2.1 整体研究方案
2.1.1 锯片裂纹的特征分析
2.1.2 研究方案及检测流程设计
2.2 基于深度学习的的裂纹检测方法理论分析
2.2.1 卷积神经网络
2.2.2 常用激活函数
2.3 本章小结
第3章 金刚石锯片样本图像预处理
3.1 图像灰度化及灰度拉伸
3.1.1 金刚石锯片图像灰度化处理
3.1.2 图像灰度直方图
3.1.3 灰度拉伸
3.2 图像平滑处理
3.3 图像质量的评价
3.4 金刚石锯片图像去噪算法的改进
3.4.1 NLM滤波算法的改进
3.4.2 双边滤波算法改进
3.4.3 实验分析
3.5 本章小结
第4章 基于YOLO算法的金刚石锯片裂纹检测
4.1 金刚石锯片样本集建立
4.1.1 样本增强
4.2 YOLOv3算法及结构改进
4.2.1 YOLOv3网络架构
4.2.2 YOLOv3回归思想
4.2.3 特征金字塔FPN
4.2.4 网络结构的改进思想及改进效果
4.3 YOLOv3网络训练过程
4.4 实验与分析
4.4.1 实验环境
4.4.2 评价标准
4.4.3 实验结果与分析
4.5 本章小结
结论
参考文献
攻读硕士学位期间的学术成果
致谢
【参考文献】：
期刊论文
[1]GPU based techniques for deep image merging[J]. Jesse Archer,Geoff Leach,Ron van Schyndel. Computational Visual Media. 2018(03)
[2]基于深度信念网络的风机叶片结构损伤识别研究[J]. 顾桂梅,张鑫. 甘肃农业大学学报. 2016(04)
[3]深度学习在图像识别领域的应用现状与优势[J]. 周宇杰. 中国安防. 2016(07)
[4]基于引导核聚类的非局部均值图像去噪算法[J]. 吴一全,李海杰,宋昱. 电子科技大学学报. 2016(01)
[5]基于进化深度学习的特征提取算法[J]. 陈珍,夏靖波,柏骏,徐敏. 计算机科学. 2015(11)
[6]钢结构焊接裂纹的原因及预防策略[J]. 高学民. 科技尚品. 2015(09)
[7]金刚石锯片的焊缝检测方法研究[J]. 赵民,郭家伟,武晓龙,李旭. 金刚石与磨料磨具工程. 2015(04)
[8]基于MATLAB的图像去噪研究[J]. 叶雯. 计算机时代. 2015(06)
[9]深度学习研究进展[J]. 郭丽丽,丁世飞. 计算机科学. 2015(05)
[10]选择性计算的快速非局部均值图像去噪[J]. 罗学刚,吕俊瑞,王华军,杨强. 电子科技大学学报. 2015(01)
硕士论文
[1]基于YOLO的目标检测算法设计与实现[D]. 阮激扬.北京邮电大学 2019
[2]基于YOLO的实时目标检测方法研究[D]. 任培铭.江南大学 2019
[3]基于YOLOv3的道路交通环境行人检测技术研究[D]. 方卓琳.华南理工大学 2019
[4]基于区域卷积神经网络的物体识别算法研究[D]. 杨梓豪.北京邮电大学 2018
[5]高效隐私保护的SVM分类服务查询机制研究[D]. 刘小夏.西安电子科技大学 2017
[6]基于机器视觉的红枣外观品质分级方法研究[D]. 李运志.西北农林科技大学 2016
[7]基于深度学习的目标检测与分割算法研究[D]. 王若辰.北京工业大学 2016
[8]深度学习及其在工件缺陷自动检测中的应用研究[D]. 颜伟鑫.华南理工大学 2016
[9]基于X射线图像的输油管道焊缝缺陷检测与识别[D]. 刘想.电子科技大学 2016
[10]基于非局部均值和非局部TV的图像去噪方法研究[D]. 梁广顺.天津理工大学 2016
本文编号：3734236
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3734236.html
最近更新
教材专著
