下载  >  开发技术  >  其它  > 论文研究-基于Faster R-CNN的工件表面质量缺陷检测 .pdf

论文研究-基于Faster R-CNN的工件表面质量缺陷检测 .pdf 评分

基于Faster R-CNN的工件表面质量缺陷检测,唐倩,文静,在工件缺陷表面检测中,传统方法缺陷检测的准确率较高,但要求图片特征明显,因此在实际应用中的效果并不理想。最近几年,深度学
山国武技论文在线 Outputs bbox softmax regressor Dee Rcl Pooling FCs R HHH Cony feather Rol feather map vector 图 框架 的损失函数 遵循多任务损失函数的定义,最小化目标函数, 对一个图像的函数定义为: +几 其中:P是 预测为目标的概率,标签 负样本标签 是 正样本标签 的四个参数化坐标是与 对应的 的坐标向量。 是判定是否为目标的对数损失: 是回归损失,用 来计算。是 函数 背景 边框回归 实现边框回归的基本思路是:先做平移△Δ,Δ= 即: 在对其进行尺度放缩, 即 通过上述四个变换我们就可以直接得到 ,同时经过 得到预测。这四个值应该是经过 和 计算得到 的真正需要的平移量 和尺度缩放 即 山国武技论文在线 那么目标函数可以表示为 φφ是输入 的特征向量,。是要 学习的参数, 是得到的预测值。为了使预测值跟真实值 差距最小, 得到损失函数为 函数优化目标为: 利用梯度下降法或者最小乘法就可以得到w。由此可以得到 的边框回归: 其中: 为的重心坐标高宽,是 的坐标值,为 坐 标值,为标定的 的坐标。 网络缺陷检测 网络虽然出现已经很多年∫,但是在工业应用上并不广泛。对于缺陷检测常用的 方式是特征提取的方法,通常采用计算灰度均值,弧度方差值,灰度熵,纹理 熵,相关度,二阶矩,或者是不变矩等来进行分类。而采用网络进行缺陷检测,只 需要利用网络进行模型的训练,训练之后,调用模型,输入归一化图片,便可以得到 图像的分类 网络结构如下: 山国武技论文在线 dense l92 128 T a 2U48 pccl ng 图 网络框榘 辶要分为四个阶段:第一层是输入阶段,第二层到第五层属于特征提取阶段,第二层和 第三层是第一个特征提取阶段,第四层和第五层是第二个特征提取阶段,每一个节点与上 层的局部邻域相连,低层级提取的特征整合转化为更高层级的特征表现。第六层和第七层是 分类阶段 使用两层仝连接神经网络作为分类器,另外图像处理中常见的分类器还有 多项式逻辑回归或径向基函数网络 第一层是输入层,输入图片的大小进行归一化,统一大小之后,输入网络之中。 第二层和第四层是卷积层,对第一层得到的结果进行卷积,得到多个特祉图,卷积核大 小为,加上偏置值经过个激励函数就得到与卷积核同等数量的特征图,其大小为 计算过程如下 ∑ 其中,表示层数,为卷积核,表示第个特征图,表示偏置。 第三层和第五层是下采样层,对上一层卷积层的每个特征图进行子抽样,将上一层高分 辨率表示转成分辨率较低的表示,减小数据处理时间且不损失有用信息。下采样的公式 如下: 其中,B和分别对应每个输出的特征图,是下采样函数,对输入的图像区域进 行加权求和。 第六层是全连接神经网终层,即分类器,将前一层得到的特征图连接起来,作为特征向 量进行学习。 第七层是输出层,输出相应的标记 进行缺陷检测的主要步骤:在 的定位得到目标区域之后,确定图像 的真实标签。之后便将图片的像素输入训练好的网终之中,网络识别目标区域之后输 入标签值,与之前得到的标签值进行对比。若两个标签值相同,表示为无缺陷样木,若不同, 表示可能是缺陷样木。缺陷检测是根据网络识别过程中得到的相似性量化内部关系,设 定阈值范围,判定图像有无缺陷。缺陷的种类有多种,比如缺胶,螺丝残损,长度厚度规袼 不统一等,但我们不做纽分,只要存在缺陷区域,都将其归类为缺陷样本 山国武技论文在线 实验结果及分析 为保证实验结果的可靠性,在工厂的实际环境中,负样本的数量是有限的,因此我们的 缺陷图片集,除了采集得到的负样本图片外,我们还对负样本图片集进行高斯滤波,锐化, 旋转,缩放,明暗变化等,构成新的缺陷图片集。下图样例图均为无缺陷类别,处理之后的 效果如卜: IIONDA 图原图 图缩小倍 Sst JS 图变亮倍 图倍 图高斯滤波 图锐化 山国武技论文在线 图向右旋转 图向右旋转 由于考虑得到图片可能受到光照,旋转等因素的影响,传统方法采用模板匹配。其 基本步骤为:从样本集中选取正负样本,制作模板。通过模板的缩放比例,对比度,金字塔 级别等参数,得到一个较好的模板。传统冫法的目标定位与本方法的对比实验结果如下: 表目标定位实验结果 方 图片总数量测试图片数量 精确率 分类时间 (单位:) 模板匹配 本方法 采用特征提取方法其基本步骤为:首先对目标进行定位分割,由于考虑到光照 竽影响,采用提取特征,分割出机器部分,构成新的图片集,并且对图片大小进行归 化处理,统一图片大小;在利用对图片进行分类,判断图片是否有缺陷。其与本实 验的对比结果如下: 表缺陷检测实验结果 缺陷样 测试样本集 缺陷检 识别错误 本集 缺陷非缺陷总计 测率缺陷非缺陷总计 通过实验证明,本方法的准确率相对于传统方法以及特征提取的准确率高很多 并且速度快,鲁棒性较好,对于各和图片集的分类处玛效果更优。 结论 匚件衣面缺啗检测在采集图片集样本时,正样本比较容易获得,但缺陷样本不易获得, 且荻得的数量冇限,因此我们提出了对缺陷图片进行滤波,旋转,锐化,缩放,明暗变化等 操作,构成新的更丰富的缺陷图片集 木文提出的将 应用于工业上对螺丝螺母进行分类的问题上,目标定位平 均精确率为 ,缺陷检测率约为 ,取得了比较显著的效果。试验证明,该方法 实用性较高,不仅可以用于工业上的螺丝检测,还可以用于其他领域的分类、检测等问题上。 虽然本方法在实验之中取得了较好的效果,但是我们仍有很多待改进的地方。对于机器 山国武技论文在线 学习来讲,数据越多越丰富,效果就越好。我们虽然构造了大量的缺陷图片集,但如果 工厂能提供更多的缺陷图片集,实验效果会更佳。此外,在进行图片标注时,部分标注并不 是特别精准,也会影响到实验结果。之后,我们会对此进行改进。 参考文献

...展开详情
所需积分/C币:14 上传时间:2019-08-18 资源大小:823KB
举报 举报 收藏 收藏 (2)
分享 分享