基于深度卷积神经网络的铝材表面缺陷检测

发布时间：2021-05-07 07:38

　　随着信息技术在工业制造领域的深入应用,工业制造大数据研究正成为实现智能制造、帮助政府指导制造企业转型升级的重要参考依据。在传统的钢铁、铝材等金属制造行业,更是存在生产方式粗放、生产工艺简单等问题,因此迫切需要通过利用人工智能等新一代信息技术改善生产流程、提高生产效率。铝材厂家在铝材出厂前要对铝材质量进行监测,最重要的是对铝材表面缺陷检测。而铝材表面缺陷种类繁多,大小不一,形状复杂,人眼通常不能及时准确地判断出表面瑕疵,而传统的机器视觉检测方法属于手工特征检测,因此检测速度缓慢,准确率不高。另一方面,较小的缺陷很难被检测出来。伴随着计算机网络的大力发展,本文主要基于深度卷积神经网络的方法来对铝材表面缺陷进行检测。首先针对传统检测算法检测速度缓慢和准确率不高问题,本文主要采用了两个基于深度卷积神经网络的主流目标检测算法对制作的铝材缺陷数据集进行检测,即Faster R-CNN和YOLOv3。前者继续沿用了启发式预选框的设计,但是算法的整体过程都是基于卷积神经网络,无须手工特征提取,这样的设计使得缺陷检测的效果和效率都得以提升。后者也采用了预选框的设计但是网络整体设计是端到端的,即输入到输出... 

【文章来源】：华东理工大学上海市 211工程院校 教育部直属院校

【文章页数】：49 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究背景和意义
    1.2 国内外研究现状分析
        1.2.1 国外表面缺陷检测研究现状
        1.2.2 国内表面缺陷检测研究现状
    1.3 本文的主要研究内容和研究目标
    1.4 章节安排
第2章 传统目标检测
    2.1 Canny边缘检测
    2.2 霍夫变换
    2.3 Harris角点检测
    2.4 HOG
        2.4.1 图像预处理
        2.4.2 梯度计算
        2.4.3 梯度直方图统计
    2.5 本章小结
第3章 卷积神经网络
    3.1 神经网络
        3.1.1 神经单元
        3.1.2 神经网络结构
    3.2 卷积神经网络
        3.2.1 卷积层
        3.2.2 池化层
        3.2.3 全连接层
        3.2.4 感受野
    3.3 参数更新
    3.4 基础模型
        3.4.1 AlexNet
        3.4.2 VGG16
        3.4.3 Inception
        3.4.4 ResNet
    3.5 本章小结
第4章 基于深度卷积神经网络的铝材表面缺陷检测应用
    4.1 Faster RCNN
        4.1.1 Anchor
        4.1.2 RPN
    4.2 YOLOv3
        4.2.1 过程
        4.2.2 损失函数
    4.3 改进的YOLOv3
    4.4 实验
        4.4.1 数据
        4.4.2 评价标准
        4.4.3 基础网络参数设置
        4.4.4 实验分析
        4.4.5 实验结果
    4.5 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
攻读学位期间发表的学术成果



本文编号：3173013