基于深度学习的铸件外观缺陷检测研究

论文摘要

铸件的表面常出现暗孔、沙眼、裂纹、凹凸不平等缺陷,这些缺陷不仅削弱铸件的强度,还可能使零件间的衔接产生松动,留下安全隐患。目前,传统检测方法由于成本高、效率低、人工依赖性强等问题,已难以满足工业需求。为此,本文提出了一种基于深度学习的铸件外观缺陷检测算法,以达到更好的检测效果。为了尽可能保留缺陷特征,本文使用500万像素的工业摄像机进行拍摄,得到的图像均为2566*1940像素。算法主要分为两个部分:首先训练一个YOLO网络从原始图像中找出需要检测的区域,将区域图片分割出来并调整为256*256像素大小;随后使用一个改进后的ResNet-50残差网络对得到的图片进行识别,判定其是否存在缺陷。为了提高检测精度,本文对ResNet-50网络进行了两项改进:1.提出了ASoftReLU激活函数,代替传统的ReLU函数,用以缓解神经元死亡,提高训练速度和检测精度;2.采用了多通道卷积神经网络,将数据扩充与图像特征强化结合起来,在训练过程中巩固图像的本质特征,增强网络的抗干扰能力。为了验证算法的有效性,本文在TensorFlow平台搭建神经网络进行了三组实验,最后一组实验为算法的最终结果。实验的结果有两个判断指标:1.是否存在缺陷;2.缺陷的类别。根据实验结果,改进后的算法在“是否存在缺陷”的二分类任务上达到了98.2%的训练集准确率和94.3%的测试集准确率;在“判断缺陷类别”任务上达到了88.2%的测试集准确率。说明改进后的网络具有良好的缺陷检测效果。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
•   1.1 研究背景与意义
•   1.2 国内外研究现状
•     1.2.1 缺陷检测的研究现状
•     1.2.2 深度学习的研究现状
•   1.3 论文主要研究内容
•   1.4 论文章节结构安排
• 第二章 相关知识及本文任务分析
•   2.1 卷积神经网络理论基础
•     2.1.1 CNN的组成结构
•     2.1.2 CNN的工作原理
•     2.1.3 残差学习
•   2.2 本文缺陷检测任务分析
•     2.2.1 常见缺陷类型
•     2.2.2 任务难点分析
•   2.3 本章小结
• 第三章 基于YOLO与 RESNET分类网络的铸件外观缺陷检测算法
•   3.1 整体算法介绍
•     3.1.1 设计方案
•     3.1.2 算法流程
•   3.2 基于YOLO-V3 的铸件区域检测与定位
•     3.2.1 网络模型
•     3.2.2 样本处理
•     3.2.3 检测过程
•   3.3 基于RESNET-50 的缺陷识别与分类
•     3.3.1 网络模型
•     3.3.2 结构微调
•     3.3.3 训练流程
•   3.4 本章小结
• 第四章 基于改进RESNET的缺陷识别与分类
•   4.1 强化数据特征
•     4.1.1 数据归一化
•     4.1.2 数据集扩充
•   4.2 优化网络性能
•     4.2.1 优化学习率
•     4.2.2 改进激活函数
•   4.3 多通道卷积神经网络
•     4.3.1 特征强化模块
•     4.3.2 检测系统构建
•   4.4 本章小结
• 第五章 实验结果及分析
•   5.1 评价标准
•   5.2 实验结果分析
•   5.3 本章小结
• 第六章 总结与展望
•   6.1 总结
•   6.2 展望
• 致谢
• 参考文献
• 附录1 攻读硕士学会期间发表的论文
• 附录2 攻读硕士期间参加的科研项目
• 详细摘要

文章来源

类型: 硕士论文

作者: 蒋相哲

导师: 陈东方

关键词: 缺陷检测,深度学习,目标检测,深度残差网络

来源: 武汉科技大学

年度: 2019

分类: 工程科技Ⅰ辑,信息科技

专业: 金属学及金属工艺,计算机软件及计算机应用,自动化技术

单位: 武汉科技大学

分类号: TP183;TG245;TP391.41

总页数: 69

文件大小: 3278K

下载量: 226