基于深度学习的手机屏幕缺陷检测技术研究
发布时间：2022-10-04 22:51
在工业生产领域,运用光学图像实现工件表面的缺陷检测已经较为普遍。本课题研究对象为手机屏幕,某手机维修厂家需要对手机屏幕的表面缺陷进行自动化检测,然而传统的图像处理方法难以适应手机这样复杂多样的表面情况。因此本课题尝试探索一种基于深度学习的检测复杂表面缺陷的方法,希望对其它工件的检测也产生一些启发。本文基于此需求与目标,主要工作如下:分析了课题的具体任务需求并制定了系统的总体设计方案,本课题采用光学图像进行研究,一个完整的缺陷检测系统包括图像采集模块,图像预处理模块以及缺陷检测模块,这三个模块最终组合在一个界面平台中,本文对这四个部分展开了论述,重点围绕缺陷检测部分。本文选择了合适的光源与摄像头,搭建了图像的采集系统。图像处理部分选择了基于边缘的分割算法提取感兴趣区域（Region Of Interest,ROI）;选用了直方图均衡化的算法进行图像增强。缺陷检测部分选用了语义分割网络,课题先采用了经典的U-Net网络进行实验。本文重点研究了小目标分割问题,即缺陷部分占比过小而分割困难的问题,制定了特别的损失函数方案,采用了focal-loss与tversky-loss的组合,定制了特别的...
【文章页数】：64 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 课题背景及研究的目的和意义
1.1.1 课题背景
1.1.2 课题研究的目的和意义
1.2 国内外研究现状
1.2.1 基于传统机器视觉技术的缺陷检测研究现状
1.2.2 基于机器学习的缺陷检测研究现状
1.3 国内外文献综述的简析
1.3.1 表面缺陷检测的研究成果
1.3.2 表面缺陷检测技术存在的问题
1.4 本文主要研究内容
第2章 手机屏幕缺陷检测系统总体方案的设计
2.1 手机屏幕缺陷检测的任务分析
2.2 手机屏幕缺陷检测的工作方案设计
2.2.1 图像采集系统的方案设计
2.2.2 图像预处理方案设计
2.2.3 卷积神经网络搭建的方案设计
2.3 本章小结
第3章 缺陷分割网络的搭建与训练
3.1 数据集的准备
3.2 卷积神经网络的组成结构
3.3 神经网络的训练
3.3.1 训练平台的搭建
3.3.2 评估标准的确定
3.3.3 损失函数的确定
3.3.4 正则化处理
3.3.5 网络的初始化
3.3.6 优化器的选择
3.3.7 网络的训练
3.4 本章小结
第4章 改进的缺陷分割网络方案设计
4.1 分类网络的设计
4.1.1 经典分类网络简介
4.1.2 分类网络的结构设计
4.2 语义分割网络的设计
4.2.1 Attention机制
4.2.2 Attention U-Net
4.3 复合网络的设计
4.4 网络的训练
4.4.1 损失函数的确定
4.4.2 正则化处理
4.4.3 网络的训练
4.5 本章小结
第5章 缺陷检测系统界面平台的搭建与实验验证
5.1 缺陷检测系统界面平台的搭建
5.2 缺陷检测系统的实验验证
5.2.1 检测效果验证
5.2.2 检测速度验证
5.3 本章小结
结论
参考文献
致谢
【参考文献】：
期刊论文
[1]手机屏幕产业与技术发展研究[J]. 赵茜,许云林,陈昱琦. 农村经济与科技. 2019(04)
[2]一种基于混沌特性的磁瓦表面缺陷视觉提取方法[J]. 杜柳青,佘骋南,余永维. 仪器仪表学报. 2013(11)
[3]硅太阳能电池视觉检测方法研究[J]. 张舞杰,李迪,叶峰. 计算机应用. 2010(01)
[4]LED光源的应用及前景[J]. 吴淑梅,霍彦明. 灯与照明. 2008(03)
[5]自适应Canny算子边缘检测技术[J]. 李牧,闫继红,李戈,赵杰. 哈尔滨工程大学学报. 2007(09)
[6]直方图均衡化在图像处理中的应用[J]. 任艳斐. 科技信息. 2007(04)
[7]用带约束的最小二乘法拟合平面圆曲线[J]. 刘元朋,张定华,桂元坤,李永奇. 计算机辅助设计与图形学学报. 2004(10)
[8]基于数学形态学的图像处理[J]. 刘勍,张久文,温志贤,张步达. 天水师范学院学报. 2004(02)
[9]图像分割方法综述[J]. 罗希平,田捷,诸葛婴,王靖,戴汝为. 模式识别与人工智能. 1999(03)
硕士论文
[1]基于卷积神经网络的工件表面缺陷检测系统[D]. 梁智聪.浙江大学 2018
[2]基于机器视觉的手机金属板表面缺陷检测技术研究[D]. 张刘赟.浙江大学 2018
[3]基于Gabor与区域卷积神经网络的晶圆表面多尺度缺陷检测技术研究[D]. 刘明明.浙江大学 2018
[4]基于机器视觉的USB插头表面缺陷检测技术研究[D]. 刘双春.中国科学院大学(中国科学院光电技术研究所) 2017
[5]复杂背景下光滑物体表面的缺陷检测技术研究[D]. 乔爽.华中科技大学 2016
[6]基于机器视觉的手机隔板划痕检测研究[D]. 宋迪.湘潭大学 2014
本文编号：3685908
【文章页数】：64 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 课题背景及研究的目的和意义
1.1.1 课题背景
1.1.2 课题研究的目的和意义
1.2 国内外研究现状
1.2.1 基于传统机器视觉技术的缺陷检测研究现状
1.2.2 基于机器学习的缺陷检测研究现状
1.3 国内外文献综述的简析
1.3.1 表面缺陷检测的研究成果
1.3.2 表面缺陷检测技术存在的问题
1.4 本文主要研究内容
第2章 手机屏幕缺陷检测系统总体方案的设计
2.1 手机屏幕缺陷检测的任务分析
2.2 手机屏幕缺陷检测的工作方案设计
2.2.1 图像采集系统的方案设计
2.2.2 图像预处理方案设计
2.2.3 卷积神经网络搭建的方案设计
2.3 本章小结
第3章 缺陷分割网络的搭建与训练
3.1 数据集的准备
3.2 卷积神经网络的组成结构
3.3 神经网络的训练
3.3.1 训练平台的搭建
3.3.2 评估标准的确定
3.3.3 损失函数的确定
3.3.4 正则化处理
3.3.5 网络的初始化
3.3.6 优化器的选择
3.3.7 网络的训练
3.4 本章小结
第4章 改进的缺陷分割网络方案设计
4.1 分类网络的设计
4.1.1 经典分类网络简介
4.1.2 分类网络的结构设计
4.2 语义分割网络的设计
4.2.1 Attention机制
4.2.2 Attention U-Net
4.3 复合网络的设计
4.4 网络的训练
4.4.1 损失函数的确定
4.4.2 正则化处理
4.4.3 网络的训练
4.5 本章小结
第5章 缺陷检测系统界面平台的搭建与实验验证
5.1 缺陷检测系统界面平台的搭建
5.2 缺陷检测系统的实验验证
5.2.1 检测效果验证
5.2.2 检测速度验证
5.3 本章小结
结论
参考文献
致谢
【参考文献】：
期刊论文
[1]手机屏幕产业与技术发展研究[J]. 赵茜,许云林,陈昱琦. 农村经济与科技. 2019(04)
[2]一种基于混沌特性的磁瓦表面缺陷视觉提取方法[J]. 杜柳青,佘骋南,余永维. 仪器仪表学报. 2013(11)
[3]硅太阳能电池视觉检测方法研究[J]. 张舞杰,李迪,叶峰. 计算机应用. 2010(01)
[4]LED光源的应用及前景[J]. 吴淑梅,霍彦明. 灯与照明. 2008(03)
[5]自适应Canny算子边缘检测技术[J]. 李牧,闫继红,李戈,赵杰. 哈尔滨工程大学学报. 2007(09)
[6]直方图均衡化在图像处理中的应用[J]. 任艳斐. 科技信息. 2007(04)
[7]用带约束的最小二乘法拟合平面圆曲线[J]. 刘元朋,张定华,桂元坤,李永奇. 计算机辅助设计与图形学学报. 2004(10)
[8]基于数学形态学的图像处理[J]. 刘勍,张久文,温志贤,张步达. 天水师范学院学报. 2004(02)
[9]图像分割方法综述[J]. 罗希平,田捷,诸葛婴,王靖,戴汝为. 模式识别与人工智能. 1999(03)
硕士论文
[1]基于卷积神经网络的工件表面缺陷检测系统[D]. 梁智聪.浙江大学 2018
[2]基于机器视觉的手机金属板表面缺陷检测技术研究[D]. 张刘赟.浙江大学 2018
[3]基于Gabor与区域卷积神经网络的晶圆表面多尺度缺陷检测技术研究[D]. 刘明明.浙江大学 2018
[4]基于机器视觉的USB插头表面缺陷检测技术研究[D]. 刘双春.中国科学院大学(中国科学院光电技术研究所) 2017
[5]复杂背景下光滑物体表面的缺陷检测技术研究[D]. 乔爽.华中科技大学 2016
[6]基于机器视觉的手机隔板划痕检测研究[D]. 宋迪.湘潭大学 2014
本文编号：3685908
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3685908.html
