基于机器视觉的乳液泵缺陷检测方法研究
发布时间：2023-03-05 13:24
乳液泵是洗液容器的重要组成部分,社会需求量大,需要大批量生产。在生产过程中因受到注塑模具和装配机械的影响导致其表面产生油污、划痕等缺陷。目前工业上采用人工检测法检测缺陷,人工检测易受检测人员主观情绪的干扰,降低检测结果的可靠性。本文旨在基于机器视觉研究乳液泵缺陷检测方法,利用机器检测替代人为检测。采用CCD相机将对单独泵体的检测转化为对泵顶、泵颈、泵身、尾管等视角的缺陷检测。本文先研究视角图像层面上的定性分类以及缺陷检测,再研究泵体层面上的定性分类和缺陷检测。具体研究内容如下:(1)缺陷定性分类模型。该模型目的是在视角图像层面实现正常与缺陷图像的定性二分类。首先建立了基于传统机器视觉SVM的定性分类模型,提取样本图像的HOG和LBP特征,并将上述特征输入至SVM中训练模型。然后研究了卷积神经网络DarkNet-53的内部结构,建立了基于DarkNet-53定性分类模型。最后基于深度可分卷积以及组归一化改进DarkNet-53,设计新的残差结构,令模型更加轻量化,并且批归一化效果不受批量参数制约。改进模型DarkNet的分类准确率和检测效率均优于其他模型,平均检测时间仅为65.23ms。...
【文章页数】：81 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 课题背景与研究意义
1.2 国内外研究现状
1.2.1 基于传统机器视觉的缺陷检测技术
1.2.2 基于深度学习的缺陷检测技术
1.3 本文主要研究内容
1.4 本文结构安排
第二章 需求分析和总体框图设计
2.1 需求分析
2.1.1 缺陷类型分析
2.1.2 工业需求分析
2.1.3 关键点和难点分析
2.2 总体框图设计
2.3 数据集
2.3.1 定性分类数据集
2.3.2 乳液泵VOC数据集
2.4 评判参数
2.4.1 缺陷定性分类模型评判参数
2.4.2 缺陷检测模型评判参数
2.4.3 泵体定性分类和缺陷检测评判参数
2.5 本章小结
第三章 基于机器视觉的缺陷定性分类模型
3.1 基于SVM的缺陷定性模型
3.1.1 特征选择
3.1.2 SVM
3.1.3 基于SVM的缺陷定性分类模型
3.2 基于DarkNet-53 的缺陷定性模型
3.2.1 卷积神经网络理论基础
3.2.2 网络模型
3.2.3 基于DarkNet-53 的缺陷定性模型
3.3 基于深度可分卷积改进的DarkNet模型
3.3.1 深度可分卷积
3.3.2 组归一化
3.3.3 残差块结构改进
3.3.4 超参数设定
3.4 实验结果对比与分析
3.4.1 输入尺寸分析
3.4.2 数据增强
3.4.3 模型分类效果对比
3.4.4 基于Grad-CAM的模型决策可视化分析
3.5 本章小结
第四章 基于深度学习的缺陷检测模型
4.1 基于深度学习的目标检测算法
4.1.1 One Stage目标检测
4.1.2 Two Stage目标检测
4.1.3 乳液泵缺陷检测
4.2 基于YOLOv3 的缺陷检测模型
4.2.1 网络模型结构
4.2.2 模型输出张量分析
4.2.3 基于K-means候选框尺寸初始化
4.2.4 基于NMS的预测框过滤机制
4.3 基于定性分类模型改进的缺陷检测模型
4.3.1 网络模型结构
4.3.2 基于K-means++改进的候选框尺寸初始化
4.3.3 基于Soft NMS的预测框筛选机制
4.3.4 定性分类模型的权重迁移
4.3.5 基于损失回调的模型训练策略
4.3.6 模型整体检测流程
4.4 实验结果对比及分析
4.5 本章小结
第五章 泵体定性分类和缺陷检测
5.1 泵体检测的软硬件环境
5.1.1 硬件平台说明
5.1.2 软件环境介绍
5.2 人机交互平台开发
5.3 方法效果测试
5.3.1 泵体定性分类效果测试
5.3.2 缺陷检测性能测试
5.4 方法工业落地的思考
5.5 本章小结
第六章 总结与展望
6.1 总结
6.2 工作展望
致谢
参考文献
在学期间取得的与学位论文相关的研究成果
本文编号：3756273
【文章页数】：81 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 课题背景与研究意义
1.2 国内外研究现状
1.2.1 基于传统机器视觉的缺陷检测技术
1.2.2 基于深度学习的缺陷检测技术
1.3 本文主要研究内容
1.4 本文结构安排
第二章 需求分析和总体框图设计
2.1 需求分析
2.1.1 缺陷类型分析
2.1.2 工业需求分析
2.1.3 关键点和难点分析
2.2 总体框图设计
2.3 数据集
2.3.1 定性分类数据集
2.3.2 乳液泵VOC数据集
2.4 评判参数
2.4.1 缺陷定性分类模型评判参数
2.4.2 缺陷检测模型评判参数
2.4.3 泵体定性分类和缺陷检测评判参数
2.5 本章小结
第三章 基于机器视觉的缺陷定性分类模型
3.1 基于SVM的缺陷定性模型
3.1.1 特征选择
3.1.2 SVM
3.1.3 基于SVM的缺陷定性分类模型
3.2 基于DarkNet-53 的缺陷定性模型
3.2.1 卷积神经网络理论基础
3.2.2 网络模型
3.2.3 基于DarkNet-53 的缺陷定性模型
3.3 基于深度可分卷积改进的DarkNet模型
3.3.1 深度可分卷积
3.3.2 组归一化
3.3.3 残差块结构改进
3.3.4 超参数设定
3.4 实验结果对比与分析
3.4.1 输入尺寸分析
3.4.2 数据增强
3.4.3 模型分类效果对比
3.4.4 基于Grad-CAM的模型决策可视化分析
3.5 本章小结
第四章 基于深度学习的缺陷检测模型
4.1 基于深度学习的目标检测算法
4.1.1 One Stage目标检测
4.1.2 Two Stage目标检测
4.1.3 乳液泵缺陷检测
4.2 基于YOLOv3 的缺陷检测模型
4.2.1 网络模型结构
4.2.2 模型输出张量分析
4.2.3 基于K-means候选框尺寸初始化
4.2.4 基于NMS的预测框过滤机制
4.3 基于定性分类模型改进的缺陷检测模型
4.3.1 网络模型结构
4.3.2 基于K-means++改进的候选框尺寸初始化
4.3.3 基于Soft NMS的预测框筛选机制
4.3.4 定性分类模型的权重迁移
4.3.5 基于损失回调的模型训练策略
4.3.6 模型整体检测流程
4.4 实验结果对比及分析
4.5 本章小结
第五章 泵体定性分类和缺陷检测
5.1 泵体检测的软硬件环境
5.1.1 硬件平台说明
5.1.2 软件环境介绍
5.2 人机交互平台开发
5.3 方法效果测试
5.3.1 泵体定性分类效果测试
5.3.2 缺陷检测性能测试
5.4 方法工业落地的思考
5.5 本章小结
第六章 总结与展望
6.1 总结
6.2 工作展望
致谢
参考文献
在学期间取得的与学位论文相关的研究成果
本文编号：3756273
本文链接：https://www.wllwen.com/projectlw/hxgylw/3756273.html
最近更新
教材专著
