基于深度学习的钢板表面缺陷检测算法研究
这是一篇关于缺陷检测,深度学习,目标检测,特征提取的论文, 主要内容为钢材制品是我们日常生活使用的金属制品中不可缺少的一部分,因此,钢材的质量就显得尤为重要。在生产钢板的过程中,由于受到各种因素的影响,使得生产出来的钢板会有很多瑕疵,尤其是在钢板的表面会出现各种各样的缺陷,比如麻点、斑块、裂纹等,这些都会影响到钢板的质量和性能,因此,必须精准高效的检测出这些缺陷,进而及时解决问题。比较传统的检测方法会存在很多弊端,如检测不精准、效率低、检测慢等,本文针对这些问题开展了基于深度学习的钢板表面缺陷检测算法研究,并且对算法进行优化,既实现了钢板表面缺陷智能化检测又提高了算法的检测准确率和鲁棒性。本文对钢板表面的缺陷进行了分析,这些缺陷有微小、多类别等特点,缺陷的种类多,使得类与类之间存在缺陷的颜色、形状等相近的现象,同一类别的缺陷之间又存在很大的不同。建立钢板表面缺陷的数据集,先对数据集进行数据增强得到足够数量的图片,然后再进行数据标注。具体分析Faster R-CNN(Regions with CNN features)目标检测算法的特征提取网络、候选区域生成网络以及分类回归网络等三部分网络,并在该算法的基础上分别采用VGG16和Res Net50为基础特征提取网络对钢板表面缺陷数据集进行训练与学习,通过对实验结果的分析比较,本文将Res Net50作为钢板表面缺陷检测算法的基础特征提取网络,同时实验效果也并不理想,需要对算法进行优化以达到理想效果。在Faster R-CNN算法的基础上开展研究,对模型参数交并比、激活函数以及其他参数进行了选择优化。由于钢板表面的缺陷中含有许多的小缺陷,会出现漏检的问题,本文提出了特征融合及多尺度检测网络,在Res Net50网络的基础上引入了特征金字塔(FPN),以此来代替原始的特征提取网络,使网络获得的信息更多,避免了对小缺陷漏检的问题。原始的算法采用的是Ro I Pooling池化方法,此方法有定位不准、检测精度不高的弊端,主要是由它的量化取整操作所造成的,本文采用Ro I Align代替Ro I Pooling,采用双线性插值的方法来得到像素点的图像数值,有效的提高了检测精度。实验结果表明,采用特征融合及多尺度检测网络和Ro I Align池化方法的Faster R-CNN算法对钢板缺陷检测得到的平均准确率(m AP)比原始Faster R-CNN算法高出了4.84%,说明优化之后的算法对钢板缺陷的检测更加精准高效。采用本文提出的方法对钢板表面缺陷的特征提取能力强,检测精度高,不需要针对某一种特定缺陷设定特定的特征提取算法,适合于钢板缺陷的在线检测。
大口径KDP晶体表面微缺陷修复的自动对刀及工艺研究
这是一篇关于KDP晶体,缺陷检测,自动对刀,多目标优化的论文, 主要内容为在惯性约束聚变中,大口径KDP晶体表面微缺陷是限制激光能量提升和晶体使用寿命的关键,目前最为理想的修复方式是对其进行微机械修复。晶体表面的缺陷点尺寸小、数量多,晶体价格昂贵。因此,高效、准确、安全、高质量的修复需求对设备的自动化和修复工艺提出了更高的要求。本文基于自行研制的大口径KDP晶体表面微缺陷修复机床,对晶体微缺陷检测、自动化对刀和修复工艺进行了深入研究,修复效率与质量都有了大幅提升。本文首先设计了大口径KDP晶体表面微缺陷从检测到修复的全流程方案,利用机器视觉针对不同显微倍率实现了缺陷检测、缺陷重定位和缺陷对刀工作。通过不同倍率下扫描视野标定和晶体边缘标定,实现了不用功能下的坐标转换。设计了栅格式扫描运动策略,通过开发运动控制算法和图像处理算法,解决了检测过程中的漏拍问题,提升了采集图像的清晰度,并保证了缺陷检测精度和效率。自动对刀效率是提升修复效率的关键,设计了双显微镜协同的“两步法”对刀方案:第一阶段为节点式快速进刀阶段,通过计算修复显微镜视野内刀具与晶体之间的距离,实现对运动方式的修正,保证了快速进刀的安全性;第二阶段为精对刀阶段,通过开发扫描显微镜的对刀凹坑识别算法和设计三个运动急停触发条件,实现了对刀过程的精度和安全性控制。通过拟合晶体待修复表面,将待修复表面高度与拟合高度之间的误差控制在14μm以内。实验表明,本文所提出的双显微镜协同对刀方案安全性好,且对刀精度和效率都得到较大改进。为了提升修复质量和效率,建立了修复工艺的快速非支配多目标优化算法模型,迭代计算获得Pareto最优解解集,基于该最优解解集可针对不同的修复表面粗糙度和修复效率需求确定实际的修复加工工艺参数。根据最优解的分布情况将最优解分为质量优先解和效率优先解,并分析了不同最优解在工艺区间内的分布规律。通过实验验证了该模型的有效性,给出了当前KDP晶体修复质量优先解的工艺参数推荐范围。针对修复轮廓的刀纹高频信息降低激光损伤阈值的问题设计了伪随机变步距轨迹生成方法,评估了变步距修复方法在降低刀纹周期性和提高表面损伤阈值的能力。
基于云边协同的工业产品表面缺陷检测技术研究及应用
这是一篇关于工业应用,缺陷检测,轻量化,注意力机制,半监督学习,云边协同系统的论文, 主要内容为随着我国工业的快速发展,生产自动化、智能化是必然趋势,由于工业产品表面缺陷在生产过程中比较常见,这就使得表面缺陷检测相关技术成为近年来研究的重点,再加上深度学习在图像处理领域的快速发展,很多深度学习算法被用在缺陷检测领域。在实际应用场景中主流的基于深度学习的缺陷检测系统主要可以分为专注于检测模型训练和模型管理的云平台系统以及专注于缺陷检测的业务系统两部分,为了提高云平台系统和业务系统之间的协作能力,本文设计了一个基于云边协同的缺陷检测系统架构,以促进云平台系统和检测系统之间的数据交互和业务协同,从而提升检测模型性能和边缘设备检测效果。另外在大多数工业缺陷检测场景中,工厂对于自动化检测的成本要求较高,所以小型化、低成本的边缘计算设备成为部署缺陷检测模型和检测系统的较优选择,为满足模型在小型化设备中部署的需求,本文以YOLOv5模型为基线网络,对模型的轻量化方法及轻量化模型的精度提升方法进行了研究。本文主要研究工作总结如下:1.本文首先围绕工业场景下缺陷检测算法轻量化进行研究,在本研究中我们使用YOLOv5s作为基础网络模型,将Ghost Net与YOLOv5s模型结合,使用Ghost卷积替换原网络中的卷积,达到模型轻量化的效果,然后结合锚框优化、注意力机制和多尺度特征融合等方法进行检测精度提升,最终得到一个轻量化且高效的模型。2.引入基于教师学生模型的半监督算法,并将其与轻量化的网络模型相结合,利用数据增强等手段,使用无标签数据提升模型精度,设计相关实验验证该模型在工业产品表面缺陷检测场景下的有效性。3.结合工业缺陷检测场景的应用需求,本研究基于嵌入式终端设备设计了软硬结合的边缘缺陷检测系统,并基于模型管理、模型进化等需求设计了云边一体的缺陷检测深度学习管理平台,使模型得到统一管理,通过边缘设备,云平台可以收集到更完整的缺陷样本,并将缺陷样本应用到缺陷检测模型的进化中,同时云边一体的设计可以使得边缘设备的模型更新更加简便,在云平台系统中设计的协同检测功能可以辅助提升模型精度。
基于机器视觉的LED封装表面缺陷检测系统设计与实现
这是一篇关于机器视觉,LED封装,缺陷检测,图像处理的论文, 主要内容为随着半导体照明技术的飞速发展,以LED为代表的半导体照明产品已广泛应用于各个领域,为节能减排战略做出了重要贡献。在LED封装生产过程中,其表面可能会产生各种缺陷,直接影响LED封装的寿命和效率。LED封装正趋于微型化、精密化方向发展,传统人工目视检测方法已难以满足高效率、高精度的检测需求。因此,本文旨在设计与实现基于机器视觉的LED封装表面缺陷检测软硬件系统,研究面向多种类、变尺寸的LED封装表面缺陷检测算法,替代现有人工目视检测,实现稳定、准确、快速的LED封装表面缺陷检测。本文主要内容包括:针对传统人工目视检测方法所存在的效率低、主观性强、成本高和一致性差的问题,提出了基于机器视觉的LED封装表面缺陷检测系统总体设计方案。在LED封装产线调研结果的支撑下确定了系统的总体需求,系统总体设计方案包含机械设备端、上位机端和电气供应端,同时确定了系统的整体运行流程。针对多种类、变尺寸的LED封装表面缺陷检测硬件设计问题,完成了基于机器视觉的LED封装表面缺陷检测硬件设计。系统硬件主要由自动上下料机构、料片运载机构、图像采集机构和缺陷标记机构组成。采用海康威视4K工业线阵相机、工业远心镜头和白色线光源完成图像采集,采用XD5-48T4-E型PLC和研华IPC-610L型工控机完成设备的控制和上位机的部署。本文所搭建的图像采集实验平台验证了图像采集方案的有效性,并详细阐述了系统硬件模块和设备整体的三维结构设计原理与功能。针对多种类、变尺寸的LED封装表面缺陷检测和缺陷标记的问题,基于Open CV和HALCON实现了LED封装缺陷检测算法。首先利用最大类间方差法和K-means聚类算法完成LED封装图像分割,再通过伽马变换实现了LED封装图像缺陷细节增强,在HALCON机器视觉算法平台上完成深度学习模型训练,模型准确率达97.2%,通过抽取LED料片结构化信息,结合缺陷LED的相对坐标实现了缺陷LED封装的精确标记。针对LED封装表面缺陷检测系统上位机设计与实现的问题,基于.NET框架完成了系统上位机的设计与实现。系统软件采用分层架构模式,由数据通信、图像采集、缺陷标记、数据存储等模块实现缺陷检测,能够快速稳定地实现新种类LED封装的图像采集、模型训练和缺陷标记。系统与人工目视检测对比实验表明,本系统的准确率、检出率和效率满足系统相应设计指标,可有效替代人工检测方法。
基于深度学习的钢板表面缺陷检测算法研究
这是一篇关于缺陷检测,深度学习,目标检测,特征提取的论文, 主要内容为钢材制品是我们日常生活使用的金属制品中不可缺少的一部分,因此,钢材的质量就显得尤为重要。在生产钢板的过程中,由于受到各种因素的影响,使得生产出来的钢板会有很多瑕疵,尤其是在钢板的表面会出现各种各样的缺陷,比如麻点、斑块、裂纹等,这些都会影响到钢板的质量和性能,因此,必须精准高效的检测出这些缺陷,进而及时解决问题。比较传统的检测方法会存在很多弊端,如检测不精准、效率低、检测慢等,本文针对这些问题开展了基于深度学习的钢板表面缺陷检测算法研究,并且对算法进行优化,既实现了钢板表面缺陷智能化检测又提高了算法的检测准确率和鲁棒性。本文对钢板表面的缺陷进行了分析,这些缺陷有微小、多类别等特点,缺陷的种类多,使得类与类之间存在缺陷的颜色、形状等相近的现象,同一类别的缺陷之间又存在很大的不同。建立钢板表面缺陷的数据集,先对数据集进行数据增强得到足够数量的图片,然后再进行数据标注。具体分析Faster R-CNN(Regions with CNN features)目标检测算法的特征提取网络、候选区域生成网络以及分类回归网络等三部分网络,并在该算法的基础上分别采用VGG16和Res Net50为基础特征提取网络对钢板表面缺陷数据集进行训练与学习,通过对实验结果的分析比较,本文将Res Net50作为钢板表面缺陷检测算法的基础特征提取网络,同时实验效果也并不理想,需要对算法进行优化以达到理想效果。在Faster R-CNN算法的基础上开展研究,对模型参数交并比、激活函数以及其他参数进行了选择优化。由于钢板表面的缺陷中含有许多的小缺陷,会出现漏检的问题,本文提出了特征融合及多尺度检测网络,在Res Net50网络的基础上引入了特征金字塔(FPN),以此来代替原始的特征提取网络,使网络获得的信息更多,避免了对小缺陷漏检的问题。原始的算法采用的是Ro I Pooling池化方法,此方法有定位不准、检测精度不高的弊端,主要是由它的量化取整操作所造成的,本文采用Ro I Align代替Ro I Pooling,采用双线性插值的方法来得到像素点的图像数值,有效的提高了检测精度。实验结果表明,采用特征融合及多尺度检测网络和Ro I Align池化方法的Faster R-CNN算法对钢板缺陷检测得到的平均准确率(m AP)比原始Faster R-CNN算法高出了4.84%,说明优化之后的算法对钢板缺陷的检测更加精准高效。采用本文提出的方法对钢板表面缺陷的特征提取能力强,检测精度高,不需要针对某一种特定缺陷设定特定的特征提取算法,适合于钢板缺陷的在线检测。
基于ZYNQ的屏幕缺陷检测系统研究与实现
这是一篇关于缺陷检测,FPGA,HLS,图像处理的论文, 主要内容为随着电子产品的广泛应用,在电视、电脑、手机等显示领域随处可见液晶屏幕的身影,液晶屏幕的需求在日益增长,大量生产过程中屏幕质量检测需满足准确性和实时性。人工检测的方法是通过人眼进行检测缺陷,其效率低下且准确率较低;传统机器视觉检测的方法是通过在PC机上运行图像处理算法来实现对屏幕的缺陷检测,但其在性能、成本以及稳定性等方面难以满足工业生产的需求。针对人工检测和传统的视觉检测系统存在准确率低、稳定性差、硬件体积大以及成本高的问题,本文提出一种基于Zynq平台即FPGA+ARM架构,利用FPGA技术实现图像处理算法,以此来满足液晶屏幕缺陷检测准确性和实时性的要求。论文主要工作如下:(1)根据目前屏幕缺陷检测系统需求,规划设计了基于FPGA+ARM的异构平台通过软硬协同的设计方式实现缺陷检测系统,系统关键构成包含四个部分:图像采集、图像处理检测、图像缓存以及图像显示。除图像显示的可视化界面借助QT软件设计,其它主要功能均由硬件IP核实现。(2)研究目前缺陷检测系统中采用的图像预处理算法和缺陷检测算法。通过对比分析,在预处理算法中,采用加权平均值法进行灰度化处理;采用中值滤波去噪;使用自适应阈值分割确定最佳分割阈值;采用开运算操作来平滑缺陷部分。论文设计并实现基于像素扫描的多目标检测算法,仿真验证表明该算法可以实现缺陷的检测和定位,准确度较高且易于硬件部署。(3)使用Vivado HLS工具设计实现预处理算法,使用Verilog硬件描述语言设计实现缺陷检测算法,各算法均通过RTL验证。在实现预处理算法时,确定采用像素级的处理粒度,设计了以存储窗口和行缓冲区的存储架构,通过对循环和函数进行流水化以及分割数组的方式来实现算法优化;采用VDMA实现数据的缓存,设计使用三个独立的VDMA,分别与采集模块、处理检测模块和显示模块相连,各VDMA采用多帧缓存的方式并行缓存数据,以此来提高数据吞吐量,进而提高系统的运行速度。论文对系统中各自定义IP模块进行了严谨地仿真和功能验证,根据硬件信息定制自定义系统。经系统测试和分析,在100MHz的时钟频率下帧处理速率为30.6Hz,准确率为89%,总功耗为2.05W。检测系统通过现场测试,验证了其可行性。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设海岸 ，原文地址：https://m.bishedaima.com/lunwen/46493.html
