基于深度学习的涂布缺陷检测技术研究
发布时间：2021-12-24 13:57
随着图像传感技术的快速发展,视觉检测作为非接触式传感技术被广泛应用到各个领域,其可以代替人工进行自动的产品缺陷检测与品质验证,甚至可以满足自动控制整个生产工艺的要求。目前对于无纺布的缺陷在线检测过程大部分是靠人工目检检测,检测速度慢、效率低,检测结果人为因素影响大,无法实现实时快速检测。利用机器视觉的方法进行表面缺陷检测,大多存在复杂的人工特征设计,且准确率不高的现象。本文设计了基于深度学习的涂布缺陷检测系统,使用高分辨率的工业CMOS相机获取涂布生产线上的涂布缺陷图像,将其分割并归一化为256*256大小,对其进行了图像增强,将预处理后的样本图像输入到卷积神经网络,通过大数据的迭代自动完成特征向量的提取。对于训练网络中的参数采用逐一分析法,确定合理的网络参数和层级结构,进行多次实验确定参数的有效性。通过与传统的机器视觉SVM检测方法对比分析,显示出了利用卷积神经网络的缺陷检测方法的优越性。论文使用Linux系统搭建深度学习框架Caffe进行模型训练,并在海思麒麟Hikey 970硬件平台进行实验验证,有效实现了涂布生产线的缺陷检测。通过对褶皱、竖线、亮点三类缺陷以及正常图像共5352...
【文章来源】：西安理工大学陕西省
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
涂布车间人工目检Fig.1-1Coatingworkshopmanualvisualinspection
图 2-5 卷积过程示意图Fig. 2-5 Convolution process行卷积运算，在遇到边缘像素（顶部、底部）时，略边缘像素，将边缘像素直接舍弃掉，不进行卷积展边缘，填充可以是零也可以是中心点的像素值、平有自己的属性特征，当卷积核中的值相加小于 1 时图像更暗，值越小，程度越大。当卷积核中的值相像会比原始图像亮度更亮。当卷积核中的值相加为原始图接近，几乎一致，通过对训练模型卷积核参 layer，P）是将卷积后的特征图用m m窗口划分成与过拟合问题。在卷积层后面加一个池化层，有平图 2-6 所示。平均池化是计算原始像素点平均值作原始像素点区域内最大像素点值作为池化后的像素
图 2-7 激活函数曲线Fig. 2-7 Activation function curve2-7）与图 2-7 可以看出 Relu 函数为分段函数，在负区间所有的负间梯度为常数，从而会增加模型乃至整个神经网络的非线性特性，深度的神经网络中优势更加突出。选择 Relu 函数主要具有以下优算量小。对比 tanh 等激活函数，进行反向传播求误差梯度时，有梯度运算量大。采用 Relu 函数避免了指数运算，一个简单的判断易优化学习。深度网络训练中，梯度小的情况容易发生，sigmoi数结果近似为零，会造成特征信息丢失，Relu 分段线性的特点解解过拟合。Relu 函数使得部分神经元输出变为零或者近似为零，关系，让网络结构参数变得稀疏，能够有效防止过拟合发生。层与 Softmax 层层（Fully connected layers，FC）在卷积神经网络中常出现在网络
【参考文献】：
期刊论文
[1]深度学习的模型搭建及过拟合问题的研究[J]. 陶砾,杨朔,杨威. 计算机时代. 2018(02)
[2]基于卷积神经网络车身颜色识别技术研究[J]. 管德永,鞠铭,安连华. 山东建筑大学学报. 2018(01)
[3]基于卷积神经网络的轿车车型精细识别方法[J]. 陈宏彩,程煜,张常有. 河北科技大学学报. 2017(06)
[4]基于深度学习的图像识别处理[J]. 林杰,李如意. 网络安全技术与应用. 2017(11)
[5]基于卷积神经网络的图像识别算法研究[J]. 张荣磊,田爱奎,谭浩,郑睿. 山东理工大学学报(自然科学版). 2018(01)
[6]计算机视觉技术的车型识别应用研究[J]. 茅正冲,韩毅. 单片机与嵌入式系统应用. 2017(06)
[7]应用深度卷积神经网络的色织物缺陷检测[J]. 景军锋,范晓婷,李鹏飞,洪良. 纺织学报. 2017(02)
[8]从浅层网络到深度网络的图像分类研究综述[J]. 高荣芳,吉春旭,程国建. 计算机与数字工程. 2016(10)
[9]深度学习研究进展[J]. 郭丽丽,丁世飞. 计算机科学. 2015(05)
[10]深度学习研究综述[J]. 尹宝才,王文通,王立春. 北京工业大学学报. 2015(01)
硕士论文
[1]基于深度学习的鳞翅目昆虫图像处理研究[D]. 马梦园.浙江工商大学 2018
[2]基于卷积神经网络的岩石图像分类研究与应用[D]. 吉春旭.西安石油大学 2017
[3]基于深度学习的图像分类研究[D]. 雷晓静.西安电子科技大学 2017
[4]基于深度学习的体育视频关键姿态检测[D]. 张世杰.北京工业大学 2017
[5]图像处理技术在布匹缺陷检测中的应用研究[D]. 宋孟颜.河南大学 2016
[6]基于数字图像处理技术的智能瑕疵检测系统的开发与应用[D]. 刘超.吉林大学 2014
[7]基于深度神经网络的桥牌识别系统研究[D]. 章焱.厦门大学 2014
[8]基于机器视觉的无纺布缺陷在线检测技术研究[D]. 张渤.华中科技大学 2013
[9]基于阈值分割的织物疵点检测技术研究与实现[D]. 陈岩.北京工业大学 2012
[10]基于图像处理的混凝土裂缝宽度检测技术的研究[D]. 卢晓霞.电子科技大学 2010
本文编号：3550608
【文章来源】：西安理工大学陕西省
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
涂布车间人工目检Fig.1-1Coatingworkshopmanualvisualinspection
图 2-5 卷积过程示意图Fig. 2-5 Convolution process行卷积运算，在遇到边缘像素（顶部、底部）时，略边缘像素，将边缘像素直接舍弃掉，不进行卷积展边缘，填充可以是零也可以是中心点的像素值、平有自己的属性特征，当卷积核中的值相加小于 1 时图像更暗，值越小，程度越大。当卷积核中的值相像会比原始图像亮度更亮。当卷积核中的值相加为原始图接近，几乎一致，通过对训练模型卷积核参 layer，P）是将卷积后的特征图用m m窗口划分成与过拟合问题。在卷积层后面加一个池化层，有平图 2-6 所示。平均池化是计算原始像素点平均值作原始像素点区域内最大像素点值作为池化后的像素
图 2-7 激活函数曲线Fig. 2-7 Activation function curve2-7）与图 2-7 可以看出 Relu 函数为分段函数，在负区间所有的负间梯度为常数，从而会增加模型乃至整个神经网络的非线性特性，深度的神经网络中优势更加突出。选择 Relu 函数主要具有以下优算量小。对比 tanh 等激活函数，进行反向传播求误差梯度时，有梯度运算量大。采用 Relu 函数避免了指数运算，一个简单的判断易优化学习。深度网络训练中，梯度小的情况容易发生，sigmoi数结果近似为零，会造成特征信息丢失，Relu 分段线性的特点解解过拟合。Relu 函数使得部分神经元输出变为零或者近似为零，关系，让网络结构参数变得稀疏，能够有效防止过拟合发生。层与 Softmax 层层（Fully connected layers，FC）在卷积神经网络中常出现在网络
【参考文献】：
期刊论文
[1]深度学习的模型搭建及过拟合问题的研究[J]. 陶砾,杨朔,杨威. 计算机时代. 2018(02)
[2]基于卷积神经网络车身颜色识别技术研究[J]. 管德永,鞠铭,安连华. 山东建筑大学学报. 2018(01)
[3]基于卷积神经网络的轿车车型精细识别方法[J]. 陈宏彩,程煜,张常有. 河北科技大学学报. 2017(06)
[4]基于深度学习的图像识别处理[J]. 林杰,李如意. 网络安全技术与应用. 2017(11)
[5]基于卷积神经网络的图像识别算法研究[J]. 张荣磊,田爱奎,谭浩,郑睿. 山东理工大学学报(自然科学版). 2018(01)
[6]计算机视觉技术的车型识别应用研究[J]. 茅正冲,韩毅. 单片机与嵌入式系统应用. 2017(06)
[7]应用深度卷积神经网络的色织物缺陷检测[J]. 景军锋,范晓婷,李鹏飞,洪良. 纺织学报. 2017(02)
[8]从浅层网络到深度网络的图像分类研究综述[J]. 高荣芳,吉春旭,程国建. 计算机与数字工程. 2016(10)
[9]深度学习研究进展[J]. 郭丽丽,丁世飞. 计算机科学. 2015(05)
[10]深度学习研究综述[J]. 尹宝才,王文通,王立春. 北京工业大学学报. 2015(01)
硕士论文
[1]基于深度学习的鳞翅目昆虫图像处理研究[D]. 马梦园.浙江工商大学 2018
[2]基于卷积神经网络的岩石图像分类研究与应用[D]. 吉春旭.西安石油大学 2017
[3]基于深度学习的图像分类研究[D]. 雷晓静.西安电子科技大学 2017
[4]基于深度学习的体育视频关键姿态检测[D]. 张世杰.北京工业大学 2017
[5]图像处理技术在布匹缺陷检测中的应用研究[D]. 宋孟颜.河南大学 2016
[6]基于数字图像处理技术的智能瑕疵检测系统的开发与应用[D]. 刘超.吉林大学 2014
[7]基于深度神经网络的桥牌识别系统研究[D]. 章焱.厦门大学 2014
[8]基于机器视觉的无纺布缺陷在线检测技术研究[D]. 张渤.华中科技大学 2013
[9]基于阈值分割的织物疵点检测技术研究与实现[D]. 陈岩.北京工业大学 2012
[10]基于图像处理的混凝土裂缝宽度检测技术的研究[D]. 卢晓霞.电子科技大学 2010
本文编号：3550608
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3550608.html
