面向工业的图像分割深度学习技术研究和应用
发布时间：2021-11-07 08:38
近年来,深度神经网络在图像处理领域取得了巨大的成功,并在图像分析和图像识别方面达到了最先进的性能。越来越多的深度学习方法从理论走向实践,在医疗,交通,教育,工业等各个领域有着广泛的应用价值。在工业生产上,工业产品表面缺陷检测环节对于保证产品的高质量和生产效率十分重要,并且需要在保证缺陷识别的准确率较高的前提下提高检测速度。卷积神经网络凭借其强大的特征提取能力,可对图像进行准确分析和识别,在工业缺陷检测中发挥着重要作用。工业生产环境相对较为复杂,因此设计出具有高精度和强鲁棒性的检测模型是本文的主要工作。本文主要设计出工业缺陷检测系统,并且对其进行改进,具体内容如下:1.提出了一种基于回归的通用工业缺陷检测框架。具体来说,该框架包含四个模块:基于深度回归的检测模块,像素级别过滤模块,连通域分析模块和缺陷分类模块。为了训练检测模块本文提出了一种高性能的回归网络和一种从标注数据中产生标签获取缺陷严重程度信息的算法。本论文已经在两个公共基准数据集Aigle RN,DAGM2007和一个真实工业电容数据集上测试了该方法。结果表明,本论文所提出的方法在检测精度,图像分割性能和速度方面有明显的优势。2...
【文章来源】：深圳大学广东省
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
缺陷检测系统
面向工业的图像分割深度学习技术研究和应用2传统的图像处理方法如阈值分割法[3]，边缘检测法[4]和区域生长法[5]等是利用图像处理的算法将图片中的缺陷特征部分与其他非缺陷部分区分开，将缺陷从图片中分离出来，再对它进行处理分析。缺陷检测和缺陷分割既有联系又有区别，缺陷检测不仅仅是简单分割出图像中的缺陷部分，有时还需要对缺陷进行分类，甚至还需要对某些特殊缺陷如裂缝等进行裂痕走势预测。所以缺陷检测比图像分割要复杂得多。随着生活水平的不断提高，商品种类更加繁多，并且商品表面特征也变得复杂多样，传统的图像处理方法已无法胜任工厂的缺陷检测任务，所以亟需一种准确度更高，更加智能化的方法来应对这类难题。随着人工智能和深度学习[6]的发展，计算机视觉技术在医学图像处理[7]，自动驾驶[8]，机器人控制[9]，人机交互[10]，智能监控[11]等方面的应用也是越来越广。深度学习凭借其出色的特征学习能力在计算机视觉中占有一席之地。深度学习通过深层次网络结构对低层的图像特征到高层的抽象语义特征进行学习。以人脸识别为例，如图1-2所示的人脸识别系统，从最开始像素组成的边缘到人脸的局部，再到完整的人脸，神经网络将信息从像素级别特征抽象到种类概念有利于分类学习，实现人脸识别。图1-2人脸识别网络的多层结构和特征表示，(a)-(c)分别表示边缘轮廓，人脸局部和完整人脸特征图YannLeCun在1989年设计出LeNet-5卷积神经网络结构，用于手写数字识别[12]，开启了卷积神经网络用于图像识别的先例。之后伴随着深度学习理论的提出，卷积神经网络的强大特征提取能力吸引了更多学者的广泛关注。卷积神经网
袼兀?佣?月访?裂缝进行识别[18]。Abdelha等人在金属焊接问题上将直方图分析、对比度增强和阈值化结合，利用积分图像计算局部阈值，优化计算时间[19]。吴清等人提出了一种基于二维Otsu[20]阈值分割缺陷检测方法，利用CT缺陷图片的灰度特点对发动机叶片进行缺陷检测[21]。郭慧等人针对人造板表面缺陷问题设计一种快速自适应阈值图像分割方法，为工业在线检测提供技术支持[22]。2)边缘检测算法边缘提取其实也是一种滤波，利用不同的算子可以达到不同的提取效果，主要是用来提取目标的低层次特征信息，如图1-3所示。常见的边缘检测算子有Sobel算子，Roberts算子，Prewitt算子和Canny算子等。对于噪声较多且灰度值渐变的图像，利用Sobel算子可以达到比较好的效果，但对于目标边缘的检测比较粗糙，所以当对精度要求不是很高时，是一种较为常用的边缘检测方法。Roberts算子对垂直边缘的检测效果要好于斜向边缘，定位精度高，但是对噪声敏感,无法抑制噪声的影响。Canny方法使用两种不同的阈值分别检测强边缘和弱边缘，不易受噪声干扰。Prewitt算子和Sobel算子都是一阶的微分算子，前者是平均滤波，而后者是加权平均滤波，但两者对灰度渐变低噪声的图像都有较好的检测效果。图1-3不同算子的边缘检测效果图，从左往右依次为原始图像，Sobel算子，Roberts算子，Prewitt算子，Canny算子检测效果图在工业检测中一般都会对这些边缘检测算子进行改进，使其能适应工业检测的复杂性。Zeljko等人利用改进的Canny边缘检测技术结合直方图分割技术对陶瓷砖的边缘和缺陷进行检测[23]。Jijun等人利用Roberts算子的部分差分算子对钢索纹理特征进行分析，通过边缘检测判断钢索是否处于良好状态[24]。胡大辉在污损条形码识别问题上，提出了?
【参考文献】：
期刊论文
[1]基于深度学习的连铸坯表面缺陷检测[J]. 胡嘉成,王向阳,刘晗. 上海大学学报(自然科学版). 2019(04)
[2]人造板表面缺陷检测图像自适应快速阈值分割算法[J]. 郭慧,王霄,刘传泽,周玉成. 林业科学. 2018(11)
[3]Faster R-CNN在工业CT图像缺陷检测中的应用[J]. 常海涛,苟军年,李晓梅. 中国图象图形学报. 2018(07)
[4]边缘检测算法在污损条码识别中的应用研究[J]. 胡大辉. 包装工程. 2013(03)
[5]基于条件随机场的多标签图像分类[J]. 徐振宇,孙玉梅. 辽宁工业大学学报(自然科学版). 2012(04)
[6]基于阈值分割的叶片缺陷检测技术[J]. 吴清,赵歆波,王庆胜. 机床与液压. 2006(09)
本文编号：3481530
【文章来源】：深圳大学广东省
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
缺陷检测系统
面向工业的图像分割深度学习技术研究和应用2传统的图像处理方法如阈值分割法[3]，边缘检测法[4]和区域生长法[5]等是利用图像处理的算法将图片中的缺陷特征部分与其他非缺陷部分区分开，将缺陷从图片中分离出来，再对它进行处理分析。缺陷检测和缺陷分割既有联系又有区别，缺陷检测不仅仅是简单分割出图像中的缺陷部分，有时还需要对缺陷进行分类，甚至还需要对某些特殊缺陷如裂缝等进行裂痕走势预测。所以缺陷检测比图像分割要复杂得多。随着生活水平的不断提高，商品种类更加繁多，并且商品表面特征也变得复杂多样，传统的图像处理方法已无法胜任工厂的缺陷检测任务，所以亟需一种准确度更高，更加智能化的方法来应对这类难题。随着人工智能和深度学习[6]的发展，计算机视觉技术在医学图像处理[7]，自动驾驶[8]，机器人控制[9]，人机交互[10]，智能监控[11]等方面的应用也是越来越广。深度学习凭借其出色的特征学习能力在计算机视觉中占有一席之地。深度学习通过深层次网络结构对低层的图像特征到高层的抽象语义特征进行学习。以人脸识别为例，如图1-2所示的人脸识别系统，从最开始像素组成的边缘到人脸的局部，再到完整的人脸，神经网络将信息从像素级别特征抽象到种类概念有利于分类学习，实现人脸识别。图1-2人脸识别网络的多层结构和特征表示，(a)-(c)分别表示边缘轮廓，人脸局部和完整人脸特征图YannLeCun在1989年设计出LeNet-5卷积神经网络结构，用于手写数字识别[12]，开启了卷积神经网络用于图像识别的先例。之后伴随着深度学习理论的提出，卷积神经网络的强大特征提取能力吸引了更多学者的广泛关注。卷积神经网
袼兀?佣?月访?裂缝进行识别[18]。Abdelha等人在金属焊接问题上将直方图分析、对比度增强和阈值化结合，利用积分图像计算局部阈值，优化计算时间[19]。吴清等人提出了一种基于二维Otsu[20]阈值分割缺陷检测方法，利用CT缺陷图片的灰度特点对发动机叶片进行缺陷检测[21]。郭慧等人针对人造板表面缺陷问题设计一种快速自适应阈值图像分割方法，为工业在线检测提供技术支持[22]。2)边缘检测算法边缘提取其实也是一种滤波，利用不同的算子可以达到不同的提取效果，主要是用来提取目标的低层次特征信息，如图1-3所示。常见的边缘检测算子有Sobel算子，Roberts算子，Prewitt算子和Canny算子等。对于噪声较多且灰度值渐变的图像，利用Sobel算子可以达到比较好的效果，但对于目标边缘的检测比较粗糙，所以当对精度要求不是很高时，是一种较为常用的边缘检测方法。Roberts算子对垂直边缘的检测效果要好于斜向边缘，定位精度高，但是对噪声敏感,无法抑制噪声的影响。Canny方法使用两种不同的阈值分别检测强边缘和弱边缘，不易受噪声干扰。Prewitt算子和Sobel算子都是一阶的微分算子，前者是平均滤波，而后者是加权平均滤波，但两者对灰度渐变低噪声的图像都有较好的检测效果。图1-3不同算子的边缘检测效果图，从左往右依次为原始图像，Sobel算子，Roberts算子，Prewitt算子，Canny算子检测效果图在工业检测中一般都会对这些边缘检测算子进行改进，使其能适应工业检测的复杂性。Zeljko等人利用改进的Canny边缘检测技术结合直方图分割技术对陶瓷砖的边缘和缺陷进行检测[23]。Jijun等人利用Roberts算子的部分差分算子对钢索纹理特征进行分析，通过边缘检测判断钢索是否处于良好状态[24]。胡大辉在污损条形码识别问题上，提出了?
【参考文献】：
期刊论文
[1]基于深度学习的连铸坯表面缺陷检测[J]. 胡嘉成,王向阳,刘晗. 上海大学学报(自然科学版). 2019(04)
[2]人造板表面缺陷检测图像自适应快速阈值分割算法[J]. 郭慧,王霄,刘传泽,周玉成. 林业科学. 2018(11)
[3]Faster R-CNN在工业CT图像缺陷检测中的应用[J]. 常海涛,苟军年,李晓梅. 中国图象图形学报. 2018(07)
[4]边缘检测算法在污损条码识别中的应用研究[J]. 胡大辉. 包装工程. 2013(03)
[5]基于条件随机场的多标签图像分类[J]. 徐振宇,孙玉梅. 辽宁工业大学学报(自然科学版). 2012(04)
[6]基于阈值分割的叶片缺陷检测技术[J]. 吴清,赵歆波,王庆胜. 机床与液压. 2006(09)
本文编号：3481530
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3481530.html
