没有合适的资源?快使用搜索试试~ 我知道了~
基于改进Res-UNet网络的钢铁表面缺陷图像分割研究.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 78 浏览量
2023-02-23
20:01:26
上传
评论 1
收藏 419KB DOCX 举报
温馨提示
试读
12页
基于改进Res-UNet网络的钢铁表面缺陷图像分割研究.docx
资源推荐
资源详情
资源评论
1. 引言
在工业生产中,钢铁等金属材料表面会存在一些缺陷,如刮痕、凸起、裂缝、形变
等,可能会导致机器工作时产生不正常的震动和声响
[1]
,甚至导致生产事故。目前钢铁表
面缺陷识别的方法主要有 3 种:人工检测法,传统图像处理法
[2-6]
,机器学习法
[7-14]
。
在 20 世纪 50~60 年代,钢铁生产企业基本上使用人工检测的方法评定钢铁质量,目
前国内的很多中小型企业也使用该方法。人工检测方法效率低、成本大且准确率低,工人
的工作状态会严重影响缺陷识别的效果
[15]
。于是使用机器代替人进行缺陷检测的方法应运
而生。
传统的图像处理法利用局部异常反映的原始属性来检测和分割缺陷,可进一步分为结
构法、阈值法、频谱法和基于模型的方法。Borselli 等人
[2]
对图像使用 Sobel 滤波,并用模
糊推论系统(Fuzzy Inference System, FIS)描述图片特征,返回一个与被搜索的缺陷出现在产
品中的概率成比例的索引作为输出,定位缺陷位置和类别。Xu 等人
[3]
提出一种新的自适应
多尺度几何分析方法—矩形非对称非压缩的模式识别模型(Rectangle Non-symmetry Anti-
packing pattern representation Model, RNAMlet),将图像不对称地分解成一组矩形块,然后
对所有块进行哈尔小波变换。
浅层机器学习法通过传统图像处理提取缺陷的特征向量,将其送入分类器进行训练,
获得缺陷识别模型
[16]
。Kwon 等人
[7]
利用变差轮廓线(Variance Of Variance, VOV)特征有效
地将缺陷与背景区分开来,并训练随机森林模型实现缺陷检测。Chu 等人
[8]
利用 K 近邻(K-
Nearest Neighbors, KNNs)方法挖掘并提取边界样本信息、代表性样本信息和特征权重信
息,根据这 3 种信息构建多信息双支持向量机(Twin Support Vector Machines with Multi-
information, MTSVMs)缺陷分类器。
目前出现了许多深度学习结合传统图像法的融合算法
[9-11]
,图像处理法能保证缺陷定
位更精准,较大程度地保留缺陷细节。Yang 等人
[9]
提出了一种基于反向传播(Back
Propagation, BP)神经网络和形态学噪声滤波的混合缺陷分割方法。Ren 等人
[10]
提出基于图
像块特征构建分类器的方法,从预训练好的深度 Decaf 网络中获取特征,然后将训练好的
分类器卷积到输入图像上实现像素级的预测。
传统的图像处理法需要特定的背景条件或光照条件,要求缺陷有明显的对比度或轮
廓,且实时监测性差,泛化能力弱,但是可实施性强。浅层机器学习法对外部自然条件的
要求不高,具有更好的适应性和鲁棒性,但是提取的特征对于复杂情况没有足够的辨别能
力和代表性。深度学习法提取的缺陷特征代表性强,模型具有较高的识别准确率和泛化能
力,所以本文使用 Res-UNet 网络分割钢铁表面缺陷,并设计了 4 种改进策略增强缺陷识别
的效果。
2. 基于 Res-UNet 的综合改进算法
2.1 改进的 Res-UNet 算法
钢铁表面缺陷图片的语义较为简单,背景的复杂度低,缺陷的边缘细节信息很难捕
捉,所以图像的高级语义和低级特征都很重要。不同类型的缺陷有时差异较小,数据具有
多模态的特点,这对模型来说是新的挑战。仅仅识别钢铁表面有无缺陷不能够满足生产需
求,为了高效确定缺陷位置、识别缺陷种类和计算缺陷面积,加快工厂纠错效率,图像分
割比图像分类更有效。
综合钢铁表面缺陷的图像特点和实际生产的需求,本文选择 Res-UNet 算法完成钢铁
表面缺陷识别和定位的任务。Res-UNet 是将 UNet 网络与 ResNet 残差网络结合的新型
神经网络
[17]
。ResNet 提出了跨层连接的残差块,在深度提取特征的同时避免了梯度消失和
网络退化
[18]
。UNet 网络在医学图像分割领域表现卓越,适用于训练边缘不规范的小目标数
据集,它由编码网络和译码网络组成,形成了 U 型结构,跳跃连接保证网络融合浅层特征
和深层特征
[19]
。Res-UNet 综合了二者的优点,能够充分提取和利用钢铁缺陷图像的特征,
避免梯度消失,缩短训练时间。
本文使用的 Res-UNet 采用 ResNet 作为编码网络,在此基础上增加了 6 个跨层连接,
通过最大池化操作统一维度,形成了稠密的网络结构,本结构能够重用浅层特征,增强特
征的深度延展。U-Net 的译码网络保持不变,实现特征图像分辨率的恢复和与浅层特征的
结合,改进的 Res-UNet 结构如图 1 所示。编码网络包括 4 个残差模块,如图 2(a)所示,
每个模块包含两个卷积层、激活函数层(Rectified Linear Unit, ReLU)和两个批量归一化层
(Batch Normalization, BN),卷积层卷积核的大小为 3×3,跳跃连接可以防止反向传播时梯
度消失。
剩余11页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3645
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功