基于卷积神经网络的火花塞图像缺陷检测
发布时间：2022-02-21 21:20
近年来,随着计算机并行计算能力飞速提升,深度学习成为新时代智能产业关键技术,在图像分类,人脸识别,安防监控,语音文字识别行业成效显著,到达商用程度。工业火花塞作为汽车发动机点火系统的关键,它的检测尤为重要。目标检测算法有很多种,其中结合深度学习的目标检测算法有两种,一种是综合区域建议以及特征提取两步骤算法,另一种是只有分类回归算法。火花塞缺陷分为焊缝和焊缺。目标小,形态不一,数据繁杂。传统火花塞缺陷检测靠人工检测比重很大,检测任务繁重,肉眼不容易发现,人为经验检测造成检测误差很大,而且没有统一标准。用SVM支持向量机,随机森林等技术建模难度大,检测准确率低下,漏检误检率高,检测速度慢不适合在小目标多形态目标检测中。针对上述检测难度,本文对火花塞图像进行仔细研究,结合深度学习的卷积神经网络,提出了一种基于Faster R-CNN（快速区域卷积神经网络）综合区域建议和特征提取的目标检测方法火花塞图像进行缺陷检测。针对火花塞焊缺图像,利用图像旋转方法对数据集增强,用卷积神经网络对焊缝区域精确定位并提取,并记录火花塞图像中焊缺的位置。针对火花塞焊缝图像,利用横移方法对数据扩充,之后利用LabI...
【文章来源】：中北大学山西省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
本文算法流程图
中北大学学位论文9剔除，最终得到目标检测结果。分类器主要有SVM,Adaboost等。SVM分类器SVM分类器是一种在多维特征中寻求最大分类间隔[20]。SVM分类器是由支持向量组成的，由系数向量和特征向量加权获得分类得分，利用阈值对得分判断向量的归属问题。该分类器引入核函数，提高分类精度同时也使得高维复杂特征线性可分。SVM分类器有很多优点[21]，分类器学习出的模型对支持向量有很强的依赖，训练集种增加或者减少非支持向量点，都不会对结果有影响，原始数据维度不影响训练好的模型算法复杂度，使得该分类器广泛应用在检测场景中。SVM分类器是寻求超平面的算法。超平面公式定义为：wbX0T（2-3）其中w是权重向量，X是实例，b代表偏置。假设2维特征向量，),(21xxX。图2-1SVM示意图Fig.2-1SchematicdiagramofSVM如图2-1表示，将偏置b看做额外的权重，记为0w，超平面方程满足：022110xwxww（2-4）所有超平面右上方点满足：
中北大学学位论文30图3-1原始数据与标注人员粗略标注Fig.3-1Originaldataandroughannotations火花塞原始图像共有2069张，单个图像尺寸为1152*1152。对图像进行分析，图像中有的图像杂质太多，有的是误分类为火花塞焊缝图像的，对这些影响因素太多的图像挑拣并抛去，之后剩下2000张图像。由于图像整体比较暗，采用直方图均衡化以及灰度对比度的方法使得图像的焊缝特征更加明显。由于神经网络训练需要大数据，2000张图像样本比较少，接下来对数据集进行扩充。数据增强一般包括在数据空间或特征空间（或二者均有）上应用一系列的迁移技术。在数据空间上应用增强技术最常见，这种增强技术应用迁移方法从已有数据中得到新的样本。有很多的可用的迁移方法：平移、旋转、扭曲、缩放、颜色空间转换、裁剪以及生成对抗式网络[46]等。这些方法的目标均是通过生成更多的样本来构建更大的数据集，防止过拟合以及对模型进行正则化，还可以对该数据集的各个类的大小进行平衡，甚至手工地产生对当前任务或应用场景更加具有代表性的新样本。由于本文检测的焊缝基本全是直线，为了保证后续计算方便，本文采用平移变换的方法进行数据集增强。对数据集中每张图像数据分别进行左平移50个像素单位和右平移30个像素单位。数据集增强到6000张图片，可以满足神经网络训练以及有很高的数据准确率。单个原始图像数据扩充如图3-2所示，图(a)是样本中单张图片，图(b)是原图片向左平移结果，图(c)是原图片向右平移结果。
【参考文献】：
期刊论文
[1]基于随机森林的原发性高血压心血管风险预后模型[J]. 崔伟锋,刘萧萧,韩静旖,范军铭. 中国老年学杂志. 2020(04)
[2]融合高斯混合模型和深度学习的目标跟踪[J]. 欧丰林,林淑彬. 吉林师范大学学报(自然科学版). 2020(01)
[3]MDSSD:multi-scale deconvolutional single shot detector for small objects[J]. Lisha CUI,Rui MA,Pei LV,Xiaoheng JIANG,Zhimin GAO,Bing ZHOU,Mingliang XU. Science China（Information Sciences）. 2020(02)
[4]基于决策树模型的节能决策分析研究[J]. 刘永光. 中国能源. 2020(01)
[5]基于深度学习的目标检测技术的研究综述[J]. 罗元,王薄宇,陈旭. 半导体光电. 2020(01)
[6]浅谈计算机视觉技术进展及其新兴应用[J]. 余京蕾. 北京联合大学学报. 2020(01)
[7]Faster＿RCNN用于工业火花塞图像焊缝缺陷检测[J]. 田珠,桂志国,张鹏程,赵瑞祥,娄润东. 测试技术学报. 2020(01)
[8]基于深度学习的目标检测算法研究与应用[J]. 邝熠,陶果,朱玉洁,蔡伟立. 计算机产品与流通. 2020(01)
[9]改进的AdaBoost-SVM算法用于无人机目标跟踪[J]. 左奎军,李艳军,曹愈远,王宏宇. 武汉理工大学学报(交通科学与工程版). 2019(06)
[10]火花塞侧电极定向的要求和实现方案[J]. 杜德魁,杨辉睦,周志强. 汽车零部件. 2019(11)
硕士论文
[1]基于SVM和RPCA的目标检测算法若干研究[D]. 焦佳丽.南京邮电大学 2019
[2]基于改进DPM算法的海洋牧场防盗系统研究与设计[D]. 张雄.东华理工大学 2019
[3]基于YOLO的实时目标检测方法研究[D]. 任培铭.江南大学 2019
[4]深度学习在图像识别中的研究及应用[D]. 李卫.武汉理工大学 2014
本文编号：3638057
【文章来源】：中北大学山西省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
本文算法流程图
中北大学学位论文9剔除，最终得到目标检测结果。分类器主要有SVM,Adaboost等。SVM分类器SVM分类器是一种在多维特征中寻求最大分类间隔[20]。SVM分类器是由支持向量组成的，由系数向量和特征向量加权获得分类得分，利用阈值对得分判断向量的归属问题。该分类器引入核函数，提高分类精度同时也使得高维复杂特征线性可分。SVM分类器有很多优点[21]，分类器学习出的模型对支持向量有很强的依赖，训练集种增加或者减少非支持向量点，都不会对结果有影响，原始数据维度不影响训练好的模型算法复杂度，使得该分类器广泛应用在检测场景中。SVM分类器是寻求超平面的算法。超平面公式定义为：wbX0T（2-3）其中w是权重向量，X是实例，b代表偏置。假设2维特征向量，),(21xxX。图2-1SVM示意图Fig.2-1SchematicdiagramofSVM如图2-1表示，将偏置b看做额外的权重，记为0w，超平面方程满足：022110xwxww（2-4）所有超平面右上方点满足：
中北大学学位论文30图3-1原始数据与标注人员粗略标注Fig.3-1Originaldataandroughannotations火花塞原始图像共有2069张，单个图像尺寸为1152*1152。对图像进行分析，图像中有的图像杂质太多，有的是误分类为火花塞焊缝图像的，对这些影响因素太多的图像挑拣并抛去，之后剩下2000张图像。由于图像整体比较暗，采用直方图均衡化以及灰度对比度的方法使得图像的焊缝特征更加明显。由于神经网络训练需要大数据，2000张图像样本比较少，接下来对数据集进行扩充。数据增强一般包括在数据空间或特征空间（或二者均有）上应用一系列的迁移技术。在数据空间上应用增强技术最常见，这种增强技术应用迁移方法从已有数据中得到新的样本。有很多的可用的迁移方法：平移、旋转、扭曲、缩放、颜色空间转换、裁剪以及生成对抗式网络[46]等。这些方法的目标均是通过生成更多的样本来构建更大的数据集，防止过拟合以及对模型进行正则化，还可以对该数据集的各个类的大小进行平衡，甚至手工地产生对当前任务或应用场景更加具有代表性的新样本。由于本文检测的焊缝基本全是直线，为了保证后续计算方便，本文采用平移变换的方法进行数据集增强。对数据集中每张图像数据分别进行左平移50个像素单位和右平移30个像素单位。数据集增强到6000张图片，可以满足神经网络训练以及有很高的数据准确率。单个原始图像数据扩充如图3-2所示，图(a)是样本中单张图片，图(b)是原图片向左平移结果，图(c)是原图片向右平移结果。
【参考文献】：
期刊论文
[1]基于随机森林的原发性高血压心血管风险预后模型[J]. 崔伟锋,刘萧萧,韩静旖,范军铭. 中国老年学杂志. 2020(04)
[2]融合高斯混合模型和深度学习的目标跟踪[J]. 欧丰林,林淑彬. 吉林师范大学学报(自然科学版). 2020(01)
[3]MDSSD:multi-scale deconvolutional single shot detector for small objects[J]. Lisha CUI,Rui MA,Pei LV,Xiaoheng JIANG,Zhimin GAO,Bing ZHOU,Mingliang XU. Science China（Information Sciences）. 2020(02)
[4]基于决策树模型的节能决策分析研究[J]. 刘永光. 中国能源. 2020(01)
[5]基于深度学习的目标检测技术的研究综述[J]. 罗元,王薄宇,陈旭. 半导体光电. 2020(01)
[6]浅谈计算机视觉技术进展及其新兴应用[J]. 余京蕾. 北京联合大学学报. 2020(01)
[7]Faster＿RCNN用于工业火花塞图像焊缝缺陷检测[J]. 田珠,桂志国,张鹏程,赵瑞祥,娄润东. 测试技术学报. 2020(01)
[8]基于深度学习的目标检测算法研究与应用[J]. 邝熠,陶果,朱玉洁,蔡伟立. 计算机产品与流通. 2020(01)
[9]改进的AdaBoost-SVM算法用于无人机目标跟踪[J]. 左奎军,李艳军,曹愈远,王宏宇. 武汉理工大学学报(交通科学与工程版). 2019(06)
[10]火花塞侧电极定向的要求和实现方案[J]. 杜德魁,杨辉睦,周志强. 汽车零部件. 2019(11)
硕士论文
[1]基于SVM和RPCA的目标检测算法若干研究[D]. 焦佳丽.南京邮电大学 2019
[2]基于改进DPM算法的海洋牧场防盗系统研究与设计[D]. 张雄.东华理工大学 2019
[3]基于YOLO的实时目标检测方法研究[D]. 任培铭.江南大学 2019
[4]深度学习在图像识别中的研究及应用[D]. 李卫.武汉理工大学 2014
本文编号：3638057
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/3638057.html
