基于神经网络的减震器连杆表面缺陷检测研究

作     者：徐都上 

作者单位：浙江工业大学 

学位级别：硕士

导师姓名：计时鸣

授予年度：2020年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：减震器连杆 表面缺陷 目标检测 图像处理 卷积神经网络 

摘      要：表面缺陷是影响减震器连杆质量的重要指标之一，不仅决定了其在市场中的价值，还直接影响在工作过程中的安全性和稳定性。表面缺陷自动检测系统可实现表面缺陷的在线检测和实时反馈，对于提高减震器连杆表面的加工质量具有重要意义。随着生产线速度的提高以及用户对产品质量的要求日益严格，迫切需要提升缺陷检测与识别算法的效率，从而提高表面检测系统的检测速度和检测精度。由于减震器连杆表面缺陷结构复杂，传统的缺陷检测方法难以提取到合适的特征，检测精度不佳。针对表面缺陷研究状况，运用神经网络技术开发一种表面缺陷检测与识别的快速算法，具有重要的学术与应用价值。本课题以减震器连杆表面缺陷为研究对象，主要研究内容和成果如下： （1）减震器连杆表面缺陷采集系统的设计，为获取高质量连杆表面图像，完成对照明系统以及摄像系统的设计。针对减震器连杆的结构特点，选择CMOS线扫描相机来获取减震器连杆表面图像，对获取的图像预处理，通过数据增强技术增强数据集，实现了减震器连杆表面缺陷集的制作。 （2）基于传统机器学习方法难以在大分辨图像提取到合适的特征问题，本文在卷积神经网络的基础上实现了基于RetinaNet的减震器连杆表面缺陷检测，使用不同层数残差网络ResNet和特征金字塔网络FPN进行多尺度预测，提高对小目标缺陷的检测率。针对减震器连杆表面缺陷的实时性检测要求，并实现基于YOLO的减震器连杆表面缺陷的检测，为了训练时得到学习能力强的模型，通过调整训练超参数，减少过拟合的风险，并利用对不同缩放尺度的模型进行实验对比分析，高分辨率的尺度模型可以提高对微小目标的检测率。 （3）在PASCAL VOC2007数据集设计的基础上增强了图像的尺度大小，制作了高分辨率的减震器连杆表面缺陷数据集，实现目标检测算法RetinaNet和YOLOv3的模型构建与训练，并通过对不同尺度大小的模型进行测试，调出最优的效果，验证了算法的可行性，基于RetinaNet不同网络结构的表面缺陷检测平均精度均值73.5%，基于的YOLOv3不同尺度的表面缺陷检测平均精度均值72.6%。实验结果证明了两种算法在减震器连杆表面缺陷检测的可行性和有效性。