基于深度学习的高反光金属工件表面缺陷检测研究

发布时间：2023-12-10 10:25

　　针对高反光金属制品表面的缺陷检测,基于机器视觉的自动化检测技术相较于传统的人工目测,能够达到对缺陷的高精度的定量检测、部分定性检测以及位置信息检测等要求。但由于其表面的高反光特性,使得工件图像中夹杂较多高光噪声,容易造成机器误检,所以基于机器视觉的高反光金属工件的缺陷检测精度仍需进一步提高。针对高反光金属工件表面缺陷检测,本文主要从图像预处理、图像缺陷检测及基于深度学习对缺陷进行分类的三个方面展开工作:1.首先对高反光金属工件表面图像进行光照不均匀校正,采用多次迭代的基于二维伽马函数的光照不均自适应校正算法对图像进行处理。将彩色图像灰度化,并基于时域与频域,选取多种滤波算法进行分析。主要基于BM3D滤波算法进行去噪研究,并提出一种结合小波分解改进的BM3D滤波算法。通过实验验证预处理算法的效果,结果表明,光照不均校正算法能够较好的平衡图像中光照分量,并且通过改进的去噪算法,不仅有效的过滤了高光噪声点,同时也增强了ROI区域的纹理信息。2.通过对工件图像进行边缘提取及特征分析来实现对含缺陷工件的快速检测。对图像应用亚像素边缘检测方法进行边缘提取研究,对比分析几种基于矩的亚像素边缘提取方法...

【文章页数】：72 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 课题背景及意义
    1.2 国内外发展现状
    1.3 基于机器视觉的工件表面缺陷检测系统
    1.4 主要研究内容
第二章 图像预处理
    2.1 光照不均匀图像校正算法
    2.2 彩色图像灰度化
    2.3 图像滤波算法研究
        2.3.1 小波变换滤波算法
        2.3.2 双边滤波算法
        2.3.3 各向异性扩散滤波算法
        2.3.4 BM3D滤波算法
        2.3.5 滤波算法改进
        2.3.6 滤波算法结果对比分析
第三章 图像缺陷检测
    3.1 边缘检测技术研究
    3.2 像素级边缘检测算法研究
        3.2.1 算法概述
        3.2.2 算法效果对比
    3.3 亚像素级的边缘检测算法研究
        3.3.1 算法概述
        3.3.2 算法优化
        3.3.3 算法效果对比
    3.4 基于灰度共生矩阵算法的特征分析
    3.5 缺陷检测算法设计
第四章 基于深度学习的工件缺陷的分类
    4.1 基于深度学习的分类网络研究
    4.2 ResNet网络模型
    4.3 DenseNet网络模型
    4.4 ResNet与 DenseNet网络效果对比
        4.4.1 样本数据处理
        4.4.2 实验分析
    4.5 分类网络优化
        4.5.1 加快模型训练研究
        4.5.2 迁移学习研究
        4.5.3 基于ResNet50 模型的网络优化
        4.5.4 优化模型与原模型效果对比
    4.6 分类网络性能对比
第五章 总结与展望
    5.1 结论
    5.2 展望
参考文献
致谢
个人简介及攻读学位期间取得的研究成果



本文编号：3872327