基于深度学习的口罩表面缺陷检测.pdf

基于深度学习的口罩表面缺陷检测 摘 要 近年来，随着深度学习理论在计算机视觉领域的迅速发展与不断成熟，基于深度学 习的技术广泛应用在图像识别检测的问题上，如铁轨表面缺陷检测、玻璃表面缺陷检测、 绿色咖啡豆表面缺陷检测等。我国经济的快速发展带来了大中小城市的汽车使用量快速 增长，大量汽车尾气的排放导致空气雾霾越来越严重，雾霾天气让人们出门不得不佩带 口罩，而且口罩也是医生护士的必需品。目前市场上绝大多数口罩都是采用无纺布来生 产的，这种类型的口罩在生产过程中会产生耳带打结、耳带脱落、口罩本体沾染毛发和 污点等缺陷，这些缺陷会影响口罩使用者的正常佩带和身体健康。目前，口罩生产线上 使用的口罩表面缺陷识别检测方法是传统的图像处理方法，这类方法需要人工设定特 征，缺乏通用性和扩展性。为了解决传统的图像处理方法存在的缺点，本文采用深度学 习算法对口罩产品的表面缺陷进行识别检测。与传统的图像处理方法相比，深度学习算 法的卷积神经网络无需人为设定特征算子来提取图像特征信息，它能够自动学习图像中 有用的特征信息，并将其提取出来。本文主要的研究内容如下： 1) 提出了一种基于迁移学习的深度CNN 口罩表面缺陷识别算法。该算法对VGG-16 模型进行了小幅度调整，添加了BN 标准化和GELU 激活函数，在数据增强、图像预处 理和迁移学习方法的基础上对口罩表面缺陷图像进行识别检测。实验结果表明，该算法 的识别准确率高于传统的图像处理算法。 2) 提出了一种基于多特征融合的深度CNN 口罩表面缺陷识别算法。该算法在上一 个算法的基础上使用了特征融合的方式，弥补了传统的卷积神经网络在特征提取的过程 中会丢失部分特征信息的不足。通过和上一个算法作对比实验，证明了该算法对口罩表 面缺陷图像和其他工业零件表面缺陷图像都具有很高的识别率，其泛化效果更好。 3) 提出了一种快速和准确的CNN 口罩表面缺陷识别算法。该算法使用了空洞卷积 来提取和保留更多的图像信息，再配合BN 和IN 标准化，以及PReLU 激活函数的使用， 使得该算法不仅对口罩缺陷图像有着高识别率，而且对于每张口罩缺陷图像的识别速度 要快于传统的图像处理算法。 关键词：卷积神经网络; 口罩缺陷图像检测; 迁移学习; 特征融合; 空洞卷积 I Surface Defect Detection of Breathing Mask Based on Deep Learning Abstract In recent years, with the rapid development of deep learning theory in the field of computer vision, deep learning-based technology is widely used in image recognition and detection problems, such as the defects detection of rail surface, green coffee surface, glass surface and so on. With the improvement of Chinas economy and the increasing use of cars in cities, the haze becomes more and more serious. More citizens need to wear breathing mask to go outside. For doctors and nurses in the hospital, breathing mask is also a necessity. At present, the majority of breathing masks on the market are produced by non-woven fabrics. During the production of no