基于深度学习的玻璃缺陷识别方法研究

发布时间：2021-01-27 02:58

　　玻璃生产过程中会产生诸如气泡、疖瘤和夹杂等不同类型的不利缺陷,玻璃缺陷准确识别的研究有助于改进生产技术,提高玻璃质量。缺陷特征的提取直接决定了缺陷类型识别的准确率,但是当前方法中的特征选取很大程度上依靠经验和运气,并且需要大量的时间进行调节。本文采用基于深度学习的特征提取技术,以实现多样性的缺陷类型的准确识别,主要工作如下:1).在分析深度学习的基本理论的基础上,重点研究了前馈神经网络、堆栈自编码网络和卷积神经网络三类深度学习模型结构以及训练算法。构建了常见的玻璃缺陷类型的样本数据库。2).采用前馈神经网络、堆栈自编码网络和卷积神经网络与SoftMax分类器相结合的缺陷识别算法,实现了玻璃缺陷类型的识别,研究了缺陷识别时间、准确率与网络结构之间的关系。根据对比结果,选取了卷积神经网络作为玻璃缺陷类型识别的深度学习网络。3).针对卷积神经网络在训练时参数调节困难、易陷入局部最优值等问题,采取无监督学习和遗传算法相结合的方式对卷积神经网络训练方法进行改进,从训练样本中随机选取一部分局部图像块并进行ZCA白化处理,构建一个自编码器并利用遗传算法强大的全局寻优能力对自编码器初始权值进行优化,然... 

【文章来源】：中北大学山西省

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 玻璃缺陷识别方法的发展和国内外现状
        1.2.2 深度学习在图像领域的发展与研究现状
    1.3 本文研究内容及安排
第二章 基于深度学习的玻璃缺陷识别方法
    2.1 研究目标
    2.2 研究方法评价标准
    2.3 玻璃缺陷数据库的建立
    2.4 研究方案设计
    2.5 实验环境
    2.6 本章小结
第三章 玻璃缺陷的深度学习网络的确定
    3.1 SoftMax分类器基本理论
        3.1.1 Logistic回归
        3.1.2 SoftMax回归
    3.2 基于前馈神经网络的玻璃缺陷识别
        3.2.1 前馈神经网络基本理论
        3.2.2 实验方法
        3.2.3 实验结果及分析
    3.3 基于堆栈自编码网络的玻璃缺陷识别
        3.3.1 堆栈自编码网络基本理论
        3.3.2 实验方法
        3.3.3 实验结果及分析
    3.4 基于卷积神经网络的玻璃缺陷识别
        3.4.1 卷积神经网络基本理论
        3.4.2 实验方法
        3.4.3 实验结果及分析
    3.5 实验结果对比分析
    3.6 本章小结
第四章 卷积神经网络的改进方法研究
    4.1 图像白化
        4.1.1 PCA白化和ZCA白化
        4.1.2 ZCA白化处理图像
    4.2 遗传算法优化自编码器
        4.2.1 遗传算法及实现细节介绍
        4.2.2 遗传算法优化自编码器初始权值
    4.3 改进型卷积神经网络对玻璃缺陷识别
    4.4 本章小结
第五章 总结与展望
参考文献
攻读硕士期间发表的论文及所取得的研究成果
致谢


【参考文献】：
期刊论文
[1]卷积神经网络在锚杆锚固类型识别中的应用[J]. 郑海青,张玉,孙晓云.  济南大学学报(自然科学版). 2020(01)

博士论文
[1]基于红外热成像的北方居住建筑外墙热阻辨识方法[D]. 陈琳.哈尔滨工业大学 2020
[2]普适计算环境下人体行为识别及情景感知研究[D]. 牛晓鹏.北京科技大学 2018



本文编号：3002297