基于深度学习的精密铸件缺陷检测方法研究与应用
发布时间：2021-03-20 21:40
精密铸件的质量问题一直是人们关注的焦点,目前对于精密铸件的缺陷检测大多依靠人工来识别,识别速度慢、易受人的疲劳因素干扰。近年来基于机器视觉的铸件缺陷检测技术已经在工业生产中被研究与应用,但是由于缺陷种类繁多、缺陷样本复杂等因素,传统基于机器视觉的图像处理方法难以准确地描述缺陷特征,使得该方法的有效性不能满足实际工业检测要求。随着深度学习在图像处理技术中的发展,相比于传统机器视觉的铸件缺陷检测方法,由于其深层次的神经网络可以提取丰富的铸件缺陷特征表示,使得基于深度学习的铸件缺陷检测方法可以提高检测性能。因此本文针对工厂生产的某种精密铸件的缺陷检测要求研究了基于深度学习的铸件缺陷检测方法,主要工作与成果如下:（1）在AlexNet模型的基础上提出了一种哈希分类网络,提高了精密铸件的分类准确度与速度。在原始网络AlexNet的输出层前增加一个哈希层,将输入图像映射成为替代原始网络高维向量输出的简单二进制哈希代码,进而在哈希层中设计了一种分块优化模型,降低了每个哈希代码之间的冗余性。实验结果表明,在铸件数据集下,本文方法的性能要优于AlexNet和其他一些基于哈希算法的CNN（Convolut...
【文章来源】：太原科技大学山西省
【文章页数】：137 页
【学位级别】：博士
【部分图文】：
机器视觉检测系统及X射线图像检测系统的主要组成
场设备对检测目标进行处理，比如根据图像的分类结果对不同类别的检测目标进行后续的相应操作。采用机器视觉系统的主要目的就是取代人工视觉，尤其是在一些不合适人工作业的危险工作环境或者人工目视难以满足实际需求的情况下。当人工目视被机器视觉顶替后，不但能够很大程度上提高检测精度和检测速度，从而提升生产工艺的自动化水平，而且对于信息的整合是十分有利的，从而能够实现生产管理的智能化。根据检测目标不同，可以将机器视觉检测系统分为以下几种类型：缺陷检测、尺寸检测、结构检测和系统运行状态检测等类型，如图1.3所示。图1.3机器视觉检测系统的类型Fig.1.3Typesofmachinevisiondetectionsystems对基于机器视觉检测技术的相关研究，西方发达国家开展的时间要比我国早很多，在上世纪七十年代，美国的许多工业部门就开始研究与应用机器视觉检测技术。比如在汽车制造业中运用机器视觉检测技术，克服了针对汽车零部件传统人工检测方式耗时耗力的缺点，从而提高了检测效率。之后随着各发达国家对机器视觉理论研究的不断重视，
绪论13对数据进行处理实现特征表达，最后就是机器学习的部分，对特征进行推理、预测或者识别。其中，对于特征表达而言，良好的特征表达对最终算法的准确性起到了决定性的作用，而且计算机的主要运算也消耗在了这一部分上。但是，在实际应用中，传统的机器视觉特征的表达都是靠人工来完成的，被称为人工提取特征，具有代表性的是Sift[76]和HoG[77]特征等。这些人工特征都具有很强的可区分性，使得很多问题能够得到解决，但是这些特征的选取是十分费力的，能否选择好很大程度上依赖人的经验与运气，并且调节它们所花费的时间也很长。深度学习受到神经科学、生物学等学科的启发，模拟人脑工作流程，如图1.5所示。人类逻辑思维是一个不断迭代和不断抽象的过程：从原始信号，做低级抽象，逐渐向高级抽象迭代。从图1.5中可以看到，当原始信号（像素）被人眼瞳孔摄入，接着是大脑皮层对信号进行初步处理，发现信号的边缘和方向，然后进行大脑判断物体形状的抽象操作，随后进一步抽象判断物体的类别。从中可以看出，人的视觉系统在对外界信息的认知上是通过分层处理的。从底层V1区获得物体的局部边缘特征，再到V2区的形状和其他物体部分特征，进而到更高层目标整体的特征表示。高层特征表示是通过底层特征表示组合而来的，并且由底层到高层的特征转换所表达的含义逐渐抽象化，最终得到目标含义与意图。抽象层越多，存在的猜测可能就会越少，越有利于判定目标。深度学习网络框架就是参考了人的分层视觉处理系统，使用多层感知网络让机器自动学习良好的特征，最终获得更加抽象的特征表达。图1.5人脑视觉系统工作过程Fig.1.5Humanbrainvisualsystemworkingprocess
【参考文献】：
期刊论文
[1]涡流检测技术在钢轨焊缝探伤中的应用[J]. 段春辉,石洪生. 铁路技术创新. 2019(02)
[2]浅谈向量组的线性相关性[J]. 李丹,向盼莉. 好家长. 2018(84)
[3]机器视觉表面缺陷检测综述[J]. 汤勃,孔建益,伍世虔. 中国图象图形学报. 2017(12)
[4]基于超声波原理的管道缺陷检测装置可靠性研究[J]. 陈昂,周承虎. 石油和化工设备. 2017(08)
[5]热轧板带表面缺陷检测系统设计与研究[J]. 屈尔庆,陈海永,刘坤,孙鹤旭. 燕山大学学报. 2017(03)
[6]荧光磁粉表面缺陷检测系统[J]. 高敏杰,卜雄洙,孙斌,王正成,张振. 无损检测. 2017(02)
[7]压力容器无损检测——渗透检测技术[J]. 贺鹏. 中外企业家. 2016(24)
[8]基于机器视觉的工件锯片缺陷检测系统设计[J]. 管小卫,丁琳. 软件工程. 2016(08)
[9]基于深度学习特征匹配的铸件微小缺陷自动定位方法[J]. 余永维,杜柳青,曾翠兰,张建恒. 仪器仪表学报. 2016(06)
[10]浅谈磁粉检测技术[J]. 周怀忠. 黑龙江科技信息. 2016(08)
硕士论文
[1]基于涡流技术的钢板表面缺陷检测系统研究[D]. 赵亚飞.沈阳工业大学 2017
[2]基于自组织神经网络与模糊算法的彩色图像聚类分割系统[D]. 栾龙源.西安电子科技大学 2010
[3]基于图像的磁粉探伤技术研究[D]. 孙瑞.长春理工大学 2009
本文编号：3091715
【文章来源】：太原科技大学山西省
【文章页数】：137 页
【学位级别】：博士
【部分图文】：
机器视觉检测系统及X射线图像检测系统的主要组成
场设备对检测目标进行处理，比如根据图像的分类结果对不同类别的检测目标进行后续的相应操作。采用机器视觉系统的主要目的就是取代人工视觉，尤其是在一些不合适人工作业的危险工作环境或者人工目视难以满足实际需求的情况下。当人工目视被机器视觉顶替后，不但能够很大程度上提高检测精度和检测速度，从而提升生产工艺的自动化水平，而且对于信息的整合是十分有利的，从而能够实现生产管理的智能化。根据检测目标不同，可以将机器视觉检测系统分为以下几种类型：缺陷检测、尺寸检测、结构检测和系统运行状态检测等类型，如图1.3所示。图1.3机器视觉检测系统的类型Fig.1.3Typesofmachinevisiondetectionsystems对基于机器视觉检测技术的相关研究，西方发达国家开展的时间要比我国早很多，在上世纪七十年代，美国的许多工业部门就开始研究与应用机器视觉检测技术。比如在汽车制造业中运用机器视觉检测技术，克服了针对汽车零部件传统人工检测方式耗时耗力的缺点，从而提高了检测效率。之后随着各发达国家对机器视觉理论研究的不断重视，
绪论13对数据进行处理实现特征表达，最后就是机器学习的部分，对特征进行推理、预测或者识别。其中，对于特征表达而言，良好的特征表达对最终算法的准确性起到了决定性的作用，而且计算机的主要运算也消耗在了这一部分上。但是，在实际应用中，传统的机器视觉特征的表达都是靠人工来完成的，被称为人工提取特征，具有代表性的是Sift[76]和HoG[77]特征等。这些人工特征都具有很强的可区分性，使得很多问题能够得到解决，但是这些特征的选取是十分费力的，能否选择好很大程度上依赖人的经验与运气，并且调节它们所花费的时间也很长。深度学习受到神经科学、生物学等学科的启发，模拟人脑工作流程，如图1.5所示。人类逻辑思维是一个不断迭代和不断抽象的过程：从原始信号，做低级抽象，逐渐向高级抽象迭代。从图1.5中可以看到，当原始信号（像素）被人眼瞳孔摄入，接着是大脑皮层对信号进行初步处理，发现信号的边缘和方向，然后进行大脑判断物体形状的抽象操作，随后进一步抽象判断物体的类别。从中可以看出，人的视觉系统在对外界信息的认知上是通过分层处理的。从底层V1区获得物体的局部边缘特征，再到V2区的形状和其他物体部分特征，进而到更高层目标整体的特征表示。高层特征表示是通过底层特征表示组合而来的，并且由底层到高层的特征转换所表达的含义逐渐抽象化，最终得到目标含义与意图。抽象层越多，存在的猜测可能就会越少，越有利于判定目标。深度学习网络框架就是参考了人的分层视觉处理系统，使用多层感知网络让机器自动学习良好的特征，最终获得更加抽象的特征表达。图1.5人脑视觉系统工作过程Fig.1.5Humanbrainvisualsystemworkingprocess
【参考文献】：
期刊论文
[1]涡流检测技术在钢轨焊缝探伤中的应用[J]. 段春辉,石洪生. 铁路技术创新. 2019(02)
[2]浅谈向量组的线性相关性[J]. 李丹,向盼莉. 好家长. 2018(84)
[3]机器视觉表面缺陷检测综述[J]. 汤勃,孔建益,伍世虔. 中国图象图形学报. 2017(12)
[4]基于超声波原理的管道缺陷检测装置可靠性研究[J]. 陈昂,周承虎. 石油和化工设备. 2017(08)
[5]热轧板带表面缺陷检测系统设计与研究[J]. 屈尔庆,陈海永,刘坤,孙鹤旭. 燕山大学学报. 2017(03)
[6]荧光磁粉表面缺陷检测系统[J]. 高敏杰,卜雄洙,孙斌,王正成,张振. 无损检测. 2017(02)
[7]压力容器无损检测——渗透检测技术[J]. 贺鹏. 中外企业家. 2016(24)
[8]基于机器视觉的工件锯片缺陷检测系统设计[J]. 管小卫,丁琳. 软件工程. 2016(08)
[9]基于深度学习特征匹配的铸件微小缺陷自动定位方法[J]. 余永维,杜柳青,曾翠兰,张建恒. 仪器仪表学报. 2016(06)
[10]浅谈磁粉检测技术[J]. 周怀忠. 黑龙江科技信息. 2016(08)
硕士论文
[1]基于涡流技术的钢板表面缺陷检测系统研究[D]. 赵亚飞.沈阳工业大学 2017
[2]基于自组织神经网络与模糊算法的彩色图像聚类分割系统[D]. 栾龙源.西安电子科技大学 2010
[3]基于图像的磁粉探伤技术研究[D]. 孙瑞.长春理工大学 2009
本文编号：3091715
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3091715.html
