基于深层神经网络的工业图像检测技术研究

发布时间：2024-02-18 01:58

　　制造业占我国GDP约30%,是国民经济的主体。但大而不强、自动化水平偏低的问题客观存在。在产品的生产制造过程中,表面缺陷检测是不可或缺的关键环节。传统的表面缺陷检测任务由人工完成,面临着主观性强、效率低的问题。近年来,在设备算力的推动下,深度学习技术促进了图像处理与计算机视觉技术的迅速发展。并且,在国家战略的推动下,深度学习技术正与制造业深度融合。针对工业场景的缺陷自动化检测需求,本文开展基于深层神经网络的工业图像缺陷检测算法研究。根据缺陷图像与自然场景图像的语义信息差异,提出的特征提取骨干网络充分复用前层特征,并为底层纹理信息提供快速向上传递通道。此外,使用多层特征融合及复用方法解决缺陷尺寸差异大、深层特征图存在小尺寸缺陷信息湮灭的问题。针对发动机活塞环的表面缺陷检测这一特定问题,借鉴Faster-RCNN双阶段检测算法的思想设计活塞环缺陷检测算法。本算法采用多任务学习思想,通过为骨干网络添加分类模块将有无缺陷的分类任务设为网络主任务。将缺陷检测设置为网络的子任务,并使用缺陷位置信息与类别信息的强监督信号引导骨干网络的每阶段学习指定的缺陷特征。网络参数的设置依据数据集的统计信息,并完...

【文章页数】：76 页

【学位级别】：硕士

【部分图文】：

图1-1典型缺陷示意图

北方工业大学硕士研究生学位论文1第一章绪论1.1研究背景及意义随着工业4.0理念的引进和中国制造2025规划的推出，中国经济进入发展的新常态，结构调整、转型升级、提质增效成了新的发展战略。其中，加快发展机器人产业、促进机器人应用，则成为了实现新战略的重要途径。制造业是国民经济的主....

图1-1典型缺陷示意图

北方工业大学硕士研究生学位论文1第一章绪论1.1研究背景及意义随着工业4.0理念的引进和中国制造2025规划的推出，中国经济进入发展的新常态，结构调整、转型升级、提质增效成了新的发展战略。其中，加快发展机器人产业、促进机器人应用，则成为了实现新战略的重要途径。制造业是国民经济的主....

图1-3基于分类网络的缺陷检测算法[26]

北方工业大学硕士研究生学位论文5至百层以上。借鉴自然场景分类任务中DCNN的设计思路与算法流程，一些研究人员尝试将基于DCNN的分类方法应用于表面缺陷检测。Masci等[26]将DCNN应用于钢铁表面缺陷的分类，提出一种多尺度金字塔池化网络。如图1-3所示，该网络能够适用不同大小....

图1-4基于FasterR-CNN网络的建筑图像检测[36]

北方工业大学硕士研究生学位论文6图1-4所示，FasterR-CNN可以在判断有无损伤及损伤种类的同时，确定损伤的外接矩形区域，从而实现了对损伤在图像中的位置和大小信息的提龋类似地，文献[37],[38]使用基于FasterR-CNN的算法对卫生陶瓷与聚合物偏振器的表面缺陷进行检....

本文编号：3901698