基于深度学习的磁片表面缺陷检测研究

发布时间：2024-05-28 04:11

　　磁片表面缺陷的检测一直是磁片厂流水线生产中提高生产效率、降低生产成本的重要环节。当前,多种机器视觉检测方法已经被应用,它们都是采用人工提取缺陷特征的方式。但由于磁片表面对比度低,磨痕纹理干扰,以及缺陷块小且亮度变化大等难点,导致准确度不高、通用性不强,因此一个鲁棒性强的缺陷检测系统将对磁片生产带来巨大的效益。由于深度学习具有自主学习特征的能力,能对结构进行更精准的表达,于是本文提出了一种基于深度学习的磁片表面缺陷检测方法。本文通过训练轻量化的Inception-Resnet-v2深度神经网络模型,得到分类结果,并与传统的机器学习方法进行了对比。实验表明本方法不仅能自动提取特征并进行分类,实现磁片检测自动化,而且识别精确度得到了大幅度提升。实验过程中发现,使用深度学习模型进行训练时需要海量带有标签的训练数据,因此需要极高的人工标注成本。针对此问题,本文提出了一种基于主动学习的样本优选方法,对上述深度学习的训练方法进行改进。该方法在训练过程的每轮迭代中优选出信息量大,多样性丰富的样本,使用较少的训练样本就能达到分类器精度的最大值。这种样本优选方法在兼顾分类器精确度的同时,大大降低了人工标注...

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

图2-1缺陷检测基本流程

7图2-1缺陷检测基本流程质上是通过数字图像处理等经典方法找到感兴趣区域（测的本质是通过模式识别方法将输入的训练集进行训练为之后所有输入样本的分类器使用。所以磁片产品缺陷模块和缺陷分类模块。首先，训练模块时输入大量的训图片中提取到感兴趣区域（目标磁片）；提取的目标图理作为训练....

图2-2M-P神经元模型

浙江工业大学硕士学位论文时，神经元由“抑制”状态激活成““兴奋”状态。McCulloch[23]等人提出了“M-P神经元模型”，如图2-2所示，神经元接收来自多个带有权重系数的上层神经元输入信号，计算这些带权重输入信号之和，再与神经元的阈值进行比较，比较结果通过“激活函数”....

图2-3含有单层隐藏层的神经网络模型

1)为学习率（learningrate），y为感知机的输出信号，直到预yy，或者达到人为设定结束要求，感知机不再进行权重调二层神经元组成，只在最后输出层进行激活函数的非线性处不强，只能解决一般的线性可分问题，已由Miller等人证明问题，即可以找到一个线性超平面....

图2-4经典的lenet-5网络

浙江工业大学硕士学位论文卷积神经网络不仅包含了卷积层，还包含了子采样层和全连接层，并由它们构成一个特征提取器。最经典的卷积神经网络模型由YannLecun等人提出[27]，如图2-4所示，不包括输入层一共有7层，其中C1和C3是卷积层，对应的特征图（feat....

本文编号：3983471