收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于全卷积神经网络的表面缺陷检测方法研究

于志洋  
【摘要】:产品表面缺陷检测是工业生产线上的关键环节,对于产品质量和生产效益有着至关重要的影响。随着计算机视觉技术的发展,基于机器视觉的自动化缺陷检测技术日渐成熟。然而,受产品种类、产生机理等因素影响,产品表面缺陷往往呈现出复杂多样的特征,这使得现有的基于手工定制特征的传统视觉检测方法存在着开发成本高、通用性及复用性差、检测精度低等缺点。本课题针对这些问题,设计了一种具有通用性的像素级精度表面缺陷检测方法,并开展相关实验研究。本课题基于全卷积神经网络的基本结构,针对检测效率与检测精度两个重要的工业指标,提出一种级联分割、检测、滤波三种任务的缺陷检测解决方案。在分割阶段,根据工业领域缺陷数据特点,本文提出一种切片采样的数据增强方式,并针对该数据增强方式设计了一种小感受野的全卷积分割网络结构,通过端到端地有监督训练,有效地完成了缺陷区域的像素级分割。在检测阶段,针对分割阶段产生的局部误分割问题,本文提出一种利用检测网络修正的方法,该方法通过在分割的缺陷区域周围以固定大小的矩形窗口滑动采样的方式,得到一组候选切片,再通过将候选切片逐一分类的方式过滤出误分割区域。在调优阶段,针对边界明显的一类缺陷,本文利用一种导向滤波算法,将缺陷区域的梯度信息迁移到分割结果上,完成了细化分割结果的工作。在构建算法框架的基础之上,针对算法的效率及能耗,本文提出一种改良方案,利用通道分离卷积、带步长卷积和上采样卷积三种基本结构,分别代替标准卷积网络中的卷积层、池化层和上采样层,从而在兼顾性能的同时,降低算法的计算量,缩减检测耗时及算法能耗。本文通过在开源数据集上和其他算法的对比实验,验证了算法的有效性。通过自对比实验,验证了改良方法的有效性及网络结构设计的合理性,通过在数据集中加入噪声,验证了算法的鲁棒性。本文成功地将深度学习算法落地于工业缺陷检测领域,设计出一种通用的解决方案,针对512×512像素大小的测试图片,能够以25fps的检测速度,快速准确地完成对多种类型缺陷区域的像素级精细分割,分割的像素精度达到99%以上。


知网文化
【相似文献】
中国期刊全文数据库 前17条
1 周杭超;董晨晨;陈锋;程力;吴淳杰;翁海舟;;钢球表面缺陷检测方法综述[J];装备制造技术;2018年10期
2 王方;王炎;;基于图像的圣女果表面缺陷检测[J];计算机仿真;2014年02期
3 钱晓亮;张鹤庆;陈永信;曾黎;刁智华;刘玉翠;杨存祥;;基于机器视觉的太阳能电池片表面缺陷检测研究现状及展望[J];北京工业大学学报;2017年01期
4 ;水果表面缺陷检测法获得专利授权[J];食品工业;2015年03期
5 王书志;张建华;冯全;;四种成像技术在水果表面缺陷检测的应用[J];中国农机化;2009年06期
6 陈岚萍;刘寒寒;封晓鸣;;基于水平集的不规则透明表面缺陷检测设计[J];测控技术;2017年02期
7 吴晓鹏;林介邦;唐辉;钟园园;罗祥英;;基于机器视觉的铸坯表面缺陷检测系统的研制[J];武钢技术;2010年01期
8 陈国君;陈鹏;张学军;;基于计算机视觉的轴承表面缺陷检测[J];煤矿机械;2009年02期
9 韩虎;汤永升;;表面缺陷检测系统在冷轧厂的应用[J];梅山科技;2013年01期
10 梁爽;何永辉;彭铁根;;高温环境下表面缺陷检测系统的热防护研究[J];宝钢技术;2012年04期
11 张卫;张俊杰;;基于机器视觉的钢板表面缺陷检测系统[J];山西冶金;2011年04期
12 李明;刘悦;;基于支持向量机的金属表面缺陷检测算法[J];世界有色金属;2016年02期
13 郭建;谢鑫;;小直径钢球表面缺陷检测机设计[J];组合机床与自动化加工技术;2017年08期
14 汤亮;张董洁;龚发云;汪威;胡新宇;;基于区域分级的陶瓷阀芯表面缺陷检测系统研究与实现[J];组合机床与自动化加工技术;2017年10期
15 余玲;周庆成;周程丽;;基于磁学原理的管道表面缺陷检测专利技术综述[J];科技创新与应用;2016年23期
16 刘晓;;探究热轧表面缺陷检测在连铸质量缺陷控制中的应用[J];山西冶金;2015年03期
17 郑晓曦;严俊龙;;数学形态学在磁瓦表面缺陷检测中的运用[J];计算机工程与应用;2008年16期
中国重要会议论文全文数据库 前10条
1 郭子建;韩斐;钟洪平;;特种纸表面缺陷检测的多解决方案[A];2015全国特种纸技术交流会暨特种纸委员会第十届年会论文集[C];2015年
2 韩立强;;基于图像分割技术的汽车发动机缸体表面缺陷检测[A];面向21世纪的科技进步与社会经济发展(下册)[C];1999年
3 张凤全;高娜;于明;赵晓安;张慧娟;;图像处理在物体表面缺陷检测中的应用[A];图像图形技术与应用进展——第三届图像图形技术与应用学术会议论文集[C];2008年
4 郭庆华;田陆;袁英宏;黄郁君;;嵌入式系统在钢板表面缺陷检测中的应用[A];2012第四届先进轧钢精整及钢材包装技术学术研讨会文集[C];2012年
5 郭庆华;田陆;袁英宏;黄郁君;;嵌入式系统在钢板表面缺陷检测中的应用[A];2012年全国轧钢生产技术会论文集(下)[C];2012年
6 ;CCD技术在特纸上的最新应用[A];2017全国特种纸技术交流会暨特种纸委员会第十二届年会论文集[C];2017年
7 刘哲;郭中豪;杨子鹏;;钢板表面缺陷检测与控制系统设计[A];天津市电视技术研究会2015年年会论文集[C];2015年
8 康慧;齐铁城;;薄壁异形件表面缺陷检测系统的研制[A];中国核科学技术进展报告(第四卷)——中国核学会2015年学术年会论文集第8册(同位素分卷、辐射研究与应用分卷、核技术工业应用分卷、核农学分卷、核医学分卷、核情报分卷)[C];2015年
9 郭庆华;刘海霞;宋丽梅;习江涛;;显微镜镜头的圆弧表面缺陷检测[A];2015光学精密工程论坛论文集[C];2015年
10 夏需堂;吴海滨;;基于线阵CCD的车轮表面缺陷检测系统的图像预处理研究[A];安徽省光学学会2010年激光年会论文摘要集[C];2010年
中国博士学位论文全文数据库 前6条
1 程万胜;钢板表面缺陷检测技术的研究[D];哈尔滨工业大学;2008年
2 王世通;精密表面缺陷检测散射成像理论建模及系统分析研究[D];浙江大学;2015年
3 梁列全;基于稀疏特征的触摸屏图像缺陷检测及识别方法的研究[D];华南理工大学;2015年
4 丛家慧;引入人类视觉特性的带钢表面缺陷检测与识别方法研究[D];东北大学;2010年
5 储茂祥;钢板表面缺陷检测关键技术研究[D];东北大学;2014年
6 赵立明;基于激光扫描成像与异源CCD融合的连铸热坯表面缺陷检测方法研究[D];重庆大学;2014年
中国硕士学位论文全文数据库 前10条
1 董百川;基于机器视觉的钢球表面缺陷检测算法[D];哈尔滨理工大学;2018年
2 李晓梅;基于图像处理的钢轨表面缺陷检测与定位研究[D];兰州交通大学;2018年
3 张斌洪;纹理背景中的表面缺陷检测算法研究[D];暨南大学;2018年
4 黄炳强;基于机器视觉的长竹条表面缺陷检测及颜色分类研究[D];广西师范大学;2018年
5 于志洋;基于全卷积神经网络的表面缺陷检测方法研究[D];哈尔滨工业大学;2018年
6 张浩;基于深度学习的表面缺陷检测方法研究[D];苏州大学;2018年
7 张奔;基于机器视觉的轴承滚子表面缺陷检测研究[D];南昌航空大学;2018年
8 宇文旋;基于机器视觉的轴承表面缺陷检测与分类系统研究[D];电子科技大学;2018年
9 胡仁伟;光滑零件表面缺陷检测系统设计与实现[D];电子科技大学;2018年
10 赵佳雨;平板元件表面缺陷检测与分类方法研究[D];陕西师范大学;2018年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978