基于深度学习的瓷砖缺陷检测系统.docxVIP

基于深度学习的瓷砖缺陷检测系统 缺陷检测一直是工业生产中的重要环节，工业产品除要求满足使用性能外，还要有良好的外观，随着卷积神经网络为代表的视觉图像深度学习技术的发展，基于深度学习的缺陷检测技术被广泛运用于各个工厂的自动化车间。随着社会的进步，人们对于缺陷的容忍度逐渐下降，复合型缺陷、强干扰缺陷、多形态缺陷等问题成为目前工业缺陷检测所面临的主要难题。 工业瓷砖缺陷检测的主要难点：（1）划痕与瓷砖背景相似度较高，（2）瓷砖的背景具有很高的多样性。本文旨在基于深度学习算法，设计并实现一个检测瓷砖表面划痕型缺陷的系统，克服上述问题，使系统的检出率达到88%以上。 本文通过语义分割和卷积神经分类网络相结合达到瓷砖检测的目的。使用语义分割的像素集分类对瓷砖数据进行分割，较好的克服了划痕缺陷与瓷砖背景相似度高无法分类的问题。使用分类网络对语义分割的结果进行分类，较好的克服了背景多样性以及语义分割局部区域检测效果不佳的问题。最终整个系统的检测成功率达到89.5%，经过kappa测试，系统的一致性误差在1%以内。 空一行目录 TOC \o 1-3 \h \z \u 空一行 24216 第一章 引言 1 31869 第二章 系统的需求分析 2 31457 2.1 检测目标特征分析 2 31017 2.2 系统的总体组织构架分析 3 19691 2.3 系统的运行环境配置 5 29958 2.4 本章小结 5 9472 第三章 相关技术介绍 6 9443 3.1　CNN卷积神经网络 6 7096 3.1.1 卷积层算法 6 8688 3.1.2 分类网络介绍 8 9362 3.1.3 Resnet50网络介绍 8 7287 3.2 语义分割网络及Unet3+网络介绍 10 8514 3.3 本章小结 11 16215 第四章 基于语义分割网络的瓷砖缺陷分割 12 28474 4.1 瓷砖分割数据集规划与制作 12 3356 4.2 Unet3网络模型框架搭建与制作 13 1801 4.3 Unet3网络训练结果评估 16 18933 4.4 本章小结 17 11463 第五章 基于卷积神经网络的瓷砖缺陷分类 18 2177 5.1 瓷砖分类数据集规划与制作 18 5104 5.2 Resnet50分类网络模型框架搭建与训练 18 21564 5.2.1数据生成器搭建 18 28732 5.2.2 Resnet50网络模型搭建 19 14210 5.2.3 网络参数配置 19 14865 5.3 Resnet50分类网络训练结果评估 20 27310 5.3.1 预测掩码数据分类结果 20 11174 5.3.2 瓷砖原图数据分类结果 21 15684 5.3.3 瓷砖分类效果对比 21 25611 5.4 本章小结 22 4415 第六章 瓷砖缺陷检测系统 23 18361 6.1 预测系统编程搭建 23 16891 6.1.1 模型预测文件编译 23 12885 6.1.2 系统界面设计 24 23385 6.1.3 系统功能实现 25 27589 6.2 系统总体性能评估 27 27402 6.2.1 系统检测准确率评测（有效性） 27 8914 6.2.2 系统一致性评测（可靠性） 28 17699 6.3 本章小结 28 485 第七章 总结 29 7788 7.1 结论 29 22181 7.2 瓷砖缺陷检测系统的展望 29 - PAGE 32 - - PAGE 15 - 第一章 引言 在工业制造过程中，往往伴随着缺陷产品的出现。随着用户和生产企业对产品质量的要求越来越高，工业产品除要求满足使用性能外，还要有良好的外观，因此缺陷检测的要求与日俱增。传统的工厂中，投入大量的工人进行产品的缺陷检测，以中国某汽车零部件制造厂为例，缺陷检测工人数占到了全场工人总数的30%。人力缺陷检测的弊端有两点，一是高额的人力成本，二是标准无法进行统一。再这样的情况下，基于机器视觉的缺陷检测技术逐步成为目前自动化工厂所需要的必备条件之一。机器视觉是一种无接触、无损伤的自动检测技术，是实现设备自动化、智能化和精密控制的有效手段，具有安全可靠、光谱响应范围宽、可在恶劣环境下长时间工作和生产效率高等突出优点。机器视觉检测系统通过适当的光源和图像传感器(CCD摄像机)获取产品的表面图像，利用相应的图像处理算法提取图像的特征信息，然后根据特征信息进行表面缺陷的定位、识别、分级等判别和统计、存储、查询等操作。 机器视觉缺陷检测通常分为图像预处理、特征提取、特征识别等步骤。其中特征提取主要是通