基于深度学习的轮毂缺陷检测技术研究
发布时间：2021-06-10 06:57
轮毂作为汽车行驶过程中的重要组成部分,对人们的出行安全至关重要。轮毂在铸造过程中,不可避免的存在人眼难以辨别的缺陷,严重影响汽车安全运行以及人们的安全出行。因此,定期进行轮毂缺陷检测是非常有必要的。传统检测方法的大部分工作是由人工来完成的,这需要重复的人工劳动,从而减小了检测的智能化。针对建立轮毂无损检测智能化的需要,提升轮毂缺陷检测的准确性,本文针对传统检测方法的局限性,依据轮毂X射线图像,结合深度学习技术,采用一种基于深度学习的轮毂缺陷分割方法。本文主要工作如下:1.简要介绍了本文的研究背景及意义,轮毂缺陷检测的概况,深度学习的现状以及深度学习在图像识别中的应用。采用一种基于深度学习算法的轮毂缺陷自动分割方法,利用卷积神经网络的结构和径向基函数神经网络的非线性特点,使用深度学习网络结构来对人的视觉感知做出模拟。2.本文对深度学习和卷积神经网络的理论基础进行介绍。卷积神经网络的结构包括卷积层、池化层、激活函数等,然后对卷积神经网络的前向传播和反向传播、随机梯度下降算法进行了介绍。3.将卷积神经网络运用到轮毂缺陷分割中。对带有缺陷的轮毂图像做缺陷标记处理,进行数据增强与扩充,并做归一化...
【文章来源】：中北大学山西省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
轮毂缺陷半自动检测的模式
中北大学学位论文14学实验，在ImageNet图像识别大赛之后，卷积神经网络得到了飞速发展。目前已经引领了大多数研究领域的浪潮，特别是计算机视觉和语音识别领域。同时，随着深度学习领域的YoshuaBengio、YannLeCun、GeoffreyHinton三名科学家获得2018年计算机界最负盛名的图灵奖，这充分显示出深度学习技术的潜力，体现出深度学习对人类的贡献。在未来，卷积神经网络将更加智能化，具有无限可能的应用前景。2.2.1卷积神经网络结构通过对神经元(ArtificialNeuron)工作模式的模拟，建立了神经网络。于是，神经元是神经网络CNN的基本单位，如图2-2所示。依据生物神经元接受“神经递质”和生成“兴奋物质”的特性，设计了人工神经元。它能模仿人类神经元运作原理，即神经元接收到外界样本输入时，经过神经元内函数处理，会得到一个新的特征值，这个特征值作为新的输入，输入给下一个神经元。同时，一个神经元能接受上一层的多个神经元的输出信号。其中每个输入xi都有一个约束参数wi，而在神经元内部，都有一个阈值(threshold)和一个偏差(bias)，神经元被激活的条件为：输入数据达到阈值大校f)()(,xhbw图2-2单个神经元Fig.2-2Singleneuron上图中，X1，X2，X3为输入样本，经过内部函数f(·)运算，最后加上偏置b得到输出结果，结果为：)(,xhybw，这样便完成了单个神经元的计算过程。
中北大学学位论文15在常见的多层神经网络中，网络的连接方式一般为全连接的方式，当前层的每一个神经元与上一层所有神经元相连，即当前层的每一个神经元的输入为上一层所有神经元的输出，同时每一层都存在多个并行神经元。于是，多层神经网络的结构包含输入层、隐藏层以及输出层[60]。如图2-3所示是一个简单的3层神经网络。)(,xhbw(2)W(2)b(1)W(1)b)2(2a)2(1a)2(3a图2-3三层神经网络Fig.2-3Figure2-3Three-layerneuralnetwork其中L1是输入层，分别用X1，X2，X3表示三个输入神经元。L2因为在运算过程中无法得到神经元的训练参数，故名隐藏层，L3是输出层，由一个神经元组成，输出的结果用)(,xhbw表示。在多层神经网络中，神经元排列是层级排列，其中每一层都存在并行的多个神经元。神经网络中，输入层接收输入数据，通过自带函数输出结果，作为下一层每个神经元的输入，以逐层传递的方式向前直到输出层，最后输出预测结果。对应的公式为：)()1(13)1(132)1(121)1(11)2(1xWafxbxWW(2-1))()1(23)1(232)1(221)1(21)2(2xWafxbxWW(2-2))()1(33)1(332)1(321)1(31)2(3xWafxbxWW(2-3)
【参考文献】：
期刊论文
[1]融合YOLO检测的多目标跟踪算法[J]. 李星辰,柳晓鸣,成晓男. 计算机工程与科学. 2020(04)
[2]GNNI U-net:基于组归一化与最近邻插值的MRI左心室轮廓精准分割网络[J]. 高强,高敬阳,赵地. 计算机科学. 2020(08)
[3]卷积神经网络的参数优化和函数选择[J]. 展华伟,唐艳,付婧. 太原师范学院学报(自然科学版). 2020(01)
[4]基于CNN噪声分离模型的噪声水平估计算法[J]. 徐少平,刘婷云,李崇禧,唐祎玲,胡凌燕. 计算机研究与发展. 2019(05)
[5]混合PSO优化卷积神经网络结构和参数[J]. 唐贤伦,刘庆,张娜,周家林. 电子科技大学学报. 2018(02)
[6]汽车轮毂缺陷检测中的缺陷增强与字符去除技术[J]. 丁杰,王明泉,张俊生,路晓冬. 科学技术与工程. 2017(35)
[7]神经网络技术初探[J]. 张瑞. 电子世界. 2017(23)
[8]LBP和HOG的分层特征融合的人脸识别[J]. 万源,李欢欢,吴克风,童恒庆. 计算机辅助设计与图形学学报. 2015(04)
[9]深度神经网络在维吾尔语大词汇量连续语音识别中的应用[J]. 麦麦提艾力·吐尔逊,戴礼荣. 数据采集与处理. 2015(02)
[10]基于X射线的汽车方向盘缺陷检测与识别技术[J]. 李高亮,王明泉,张俊生,赵晓霞,王晓鹏. 核电子学与探测技术. 2012(08)
博士论文
[1]极速学习机的训练残差、稳定性及泛化能力研究[D]. 付爱民.中国农业大学 2015
硕士论文
[1]基于卷积神经网络的图像分类算法研究[D]. 陈奇星.南昌航空大学 2019
[2]钢管焊缝缺陷类型检测[D]. 王璐.西安理工大学 2018
[3]基于深度学习的目标检测与识别研究[D]. 张鹏飞.东北大学 2017
[4]基于混合高斯模型匹配的纹理分类研究[D]. 郝华.大连理工大学 2016
[5]钢芯传送带缺陷检测系统中图像处理算法研究[D]. 刘振东.山西大学 2015
[6]汽车轮毂内部缺陷自动检测技术[D]. 石浪.中北大学 2015
[7]基于水平集的灰度不均匀图像分割研究[D]. 吴炜峰.华南理工大学 2013
[8]基于目标提取与匹配的汽车轮毂铸件缺陷检测技术研究[D]. 何再兴.浙江大学 2008
本文编号：3221911
【文章来源】：中北大学山西省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
轮毂缺陷半自动检测的模式
中北大学学位论文14学实验，在ImageNet图像识别大赛之后，卷积神经网络得到了飞速发展。目前已经引领了大多数研究领域的浪潮，特别是计算机视觉和语音识别领域。同时，随着深度学习领域的YoshuaBengio、YannLeCun、GeoffreyHinton三名科学家获得2018年计算机界最负盛名的图灵奖，这充分显示出深度学习技术的潜力，体现出深度学习对人类的贡献。在未来，卷积神经网络将更加智能化，具有无限可能的应用前景。2.2.1卷积神经网络结构通过对神经元(ArtificialNeuron)工作模式的模拟，建立了神经网络。于是，神经元是神经网络CNN的基本单位，如图2-2所示。依据生物神经元接受“神经递质”和生成“兴奋物质”的特性，设计了人工神经元。它能模仿人类神经元运作原理，即神经元接收到外界样本输入时，经过神经元内函数处理，会得到一个新的特征值，这个特征值作为新的输入，输入给下一个神经元。同时，一个神经元能接受上一层的多个神经元的输出信号。其中每个输入xi都有一个约束参数wi，而在神经元内部，都有一个阈值(threshold)和一个偏差(bias)，神经元被激活的条件为：输入数据达到阈值大校f)()(,xhbw图2-2单个神经元Fig.2-2Singleneuron上图中，X1，X2，X3为输入样本，经过内部函数f(·)运算，最后加上偏置b得到输出结果，结果为：)(,xhybw，这样便完成了单个神经元的计算过程。
中北大学学位论文15在常见的多层神经网络中，网络的连接方式一般为全连接的方式，当前层的每一个神经元与上一层所有神经元相连，即当前层的每一个神经元的输入为上一层所有神经元的输出，同时每一层都存在多个并行神经元。于是，多层神经网络的结构包含输入层、隐藏层以及输出层[60]。如图2-3所示是一个简单的3层神经网络。)(,xhbw(2)W(2)b(1)W(1)b)2(2a)2(1a)2(3a图2-3三层神经网络Fig.2-3Figure2-3Three-layerneuralnetwork其中L1是输入层，分别用X1，X2，X3表示三个输入神经元。L2因为在运算过程中无法得到神经元的训练参数，故名隐藏层，L3是输出层，由一个神经元组成，输出的结果用)(,xhbw表示。在多层神经网络中，神经元排列是层级排列，其中每一层都存在并行的多个神经元。神经网络中，输入层接收输入数据，通过自带函数输出结果，作为下一层每个神经元的输入，以逐层传递的方式向前直到输出层，最后输出预测结果。对应的公式为：)()1(13)1(132)1(121)1(11)2(1xWafxbxWW(2-1))()1(23)1(232)1(221)1(21)2(2xWafxbxWW(2-2))()1(33)1(332)1(321)1(31)2(3xWafxbxWW(2-3)
【参考文献】：
期刊论文
[1]融合YOLO检测的多目标跟踪算法[J]. 李星辰,柳晓鸣,成晓男. 计算机工程与科学. 2020(04)
[2]GNNI U-net:基于组归一化与最近邻插值的MRI左心室轮廓精准分割网络[J]. 高强,高敬阳,赵地. 计算机科学. 2020(08)
[3]卷积神经网络的参数优化和函数选择[J]. 展华伟,唐艳,付婧. 太原师范学院学报(自然科学版). 2020(01)
[4]基于CNN噪声分离模型的噪声水平估计算法[J]. 徐少平,刘婷云,李崇禧,唐祎玲,胡凌燕. 计算机研究与发展. 2019(05)
[5]混合PSO优化卷积神经网络结构和参数[J]. 唐贤伦,刘庆,张娜,周家林. 电子科技大学学报. 2018(02)
[6]汽车轮毂缺陷检测中的缺陷增强与字符去除技术[J]. 丁杰,王明泉,张俊生,路晓冬. 科学技术与工程. 2017(35)
[7]神经网络技术初探[J]. 张瑞. 电子世界. 2017(23)
[8]LBP和HOG的分层特征融合的人脸识别[J]. 万源,李欢欢,吴克风,童恒庆. 计算机辅助设计与图形学学报. 2015(04)
[9]深度神经网络在维吾尔语大词汇量连续语音识别中的应用[J]. 麦麦提艾力·吐尔逊,戴礼荣. 数据采集与处理. 2015(02)
[10]基于X射线的汽车方向盘缺陷检测与识别技术[J]. 李高亮,王明泉,张俊生,赵晓霞,王晓鹏. 核电子学与探测技术. 2012(08)
博士论文
[1]极速学习机的训练残差、稳定性及泛化能力研究[D]. 付爱民.中国农业大学 2015
硕士论文
[1]基于卷积神经网络的图像分类算法研究[D]. 陈奇星.南昌航空大学 2019
[2]钢管焊缝缺陷类型检测[D]. 王璐.西安理工大学 2018
[3]基于深度学习的目标检测与识别研究[D]. 张鹏飞.东北大学 2017
[4]基于混合高斯模型匹配的纹理分类研究[D]. 郝华.大连理工大学 2016
[5]钢芯传送带缺陷检测系统中图像处理算法研究[D]. 刘振东.山西大学 2015
[6]汽车轮毂内部缺陷自动检测技术[D]. 石浪.中北大学 2015
[7]基于水平集的灰度不均匀图像分割研究[D]. 吴炜峰.华南理工大学 2013
[8]基于目标提取与匹配的汽车轮毂铸件缺陷检测技术研究[D]. 何再兴.浙江大学 2008
本文编号：3221911
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3221911.html
