目的通过构建轮毂在线生产视觉检测系统,预测轮毂生产过程中轮毂表面的缺陷。方法根据轮毂表面缺陷的定义和评价标准,给出了轮毂表面缺陷的计算模型,采用了改进型的Faster-RCNN目标检测算法,引入了深度生成式对抗网络,消除图像的模糊性...目的通过构建轮毂在线生产视觉检测系统,预测轮毂生产过程中轮毂表面的缺陷。方法根据轮毂表面缺陷的定义和评价标准,给出了轮毂表面缺陷的计算模型,采用了改进型的Faster-RCNN目标检测算法,引入了深度生成式对抗网络,消除图像的模糊性,再利用清晰的轮毂表面图像进行模型训练,结合领域专家的判别标准,优化网络参数,构建轮毂表面缺陷检测模型。利用深度学习Pytorch框架,在NVIDIA Tesla P100图像加速卡上进行模型训练,并对模型结果进行对比性实验分析,找出最优的预测模型。结果在基础网络部分,采用残差模型ResNet101网络比采用VGG16模型的准确率提高了24%。在目标检测网络模型中引入了多通道特征融合模块,准确率提升了2%。再引入FPN金字塔模型,融入低级和高级语义信息,使得输出的多尺度的预测特征图谱效果更好。最后把残差网络的ROI-Pooling算法改为ROI-Align算法,准确率提高了5%。通过对网络模型的不断改进和优化,轮毂表面缺陷的识别率不断提高。结论利用改进型的Faster-RCNN网络能够识别出轮毂表面缺陷的种类和位置,满足生产环境的要求,具有一定的工程应用价值。展开更多
文摘目的通过构建轮毂在线生产视觉检测系统,预测轮毂生产过程中轮毂表面的缺陷。方法根据轮毂表面缺陷的定义和评价标准,给出了轮毂表面缺陷的计算模型,采用了改进型的Faster-RCNN目标检测算法,引入了深度生成式对抗网络,消除图像的模糊性,再利用清晰的轮毂表面图像进行模型训练,结合领域专家的判别标准,优化网络参数,构建轮毂表面缺陷检测模型。利用深度学习Pytorch框架,在NVIDIA Tesla P100图像加速卡上进行模型训练,并对模型结果进行对比性实验分析,找出最优的预测模型。结果在基础网络部分,采用残差模型ResNet101网络比采用VGG16模型的准确率提高了24%。在目标检测网络模型中引入了多通道特征融合模块,准确率提升了2%。再引入FPN金字塔模型,融入低级和高级语义信息,使得输出的多尺度的预测特征图谱效果更好。最后把残差网络的ROI-Pooling算法改为ROI-Align算法,准确率提高了5%。通过对网络模型的不断改进和优化,轮毂表面缺陷的识别率不断提高。结论利用改进型的Faster-RCNN网络能够识别出轮毂表面缺陷的种类和位置,满足生产环境的要求,具有一定的工程应用价值。
