简介:本文是铝材和深度学习类有关硕士学位毕业论文范文跟缺陷有关论文范文素材.
摘 要：随着信息技术在工业制造领域的深入应用,工业制造大数据研究正成为实现智能制造、帮助政府指导制造企业转型升级的重要参考依据.在传统的钢铁、铝材等金属制造行业,更是存在生产方式粗放、生产工艺简单等问题.因此,迫切需要利用人工智能等新一代信息技术来改善生产流程,提高生产效率.在使用铝材时,必须检查铝材表面.现有的铝材表面缺陷检测受限于传统人工肉眼检查,十分费力,或基于传统的机器视觉算法,识别率不高,通常不能及时准确地判断出表面瑕疵.为解决这些问题,利用深度学习来进行铝材表面缺陷检测：首先运用两大目标检测算法Faster R-CNN（Region-CNN（Convolutional Neural Networks））和YOLOv3对制作的铝材缺陷数据集进行检测;然后基于YOLOv3算法进行改进,提升铝材表面很小缺陷的检测效果.在广东工业智造大数据创新大赛提供的“铝型材瑕疵识别”数据集上进行了实验验证,实验结果显示,改进算法的平均精度均值（mean Average Precision.mAP）比YOLOv3算法高3.4%,比Faster R-CNN算法高1.8%.
关键词：铝材缺陷;检测;机器视觉;深度学习
中图分类号：TP391
文献标志码：A
文章编号：1000-5641（2020）06-0105-10
0引言
工业制造大数据是政府治理大数据最重要的类型之一,对其进行研究将为制造业企业向智能制造转型升级,并为地方政府在产业、人才引进和招商引资等方面提供重要决策参考.比如在传统的钢铁、铝材等金属制造行业,存在生产方式粗放、生产工艺简单等问题,因此迫切需要通过利用人工智能等新一代信息技术改善生产流程、提高生产效率.在铝型材的实际生产过程中,由于各方面因素的影响,铝型材表面会产生裂纹、擦花、起皮、起坑、划伤、杂色、脏点等瑕疵,这些瑕疵会严重影响铝型材的质量.为保证产品质量,对铝材表面进行机器自动化的缺陷检测变得十分重要.事实上,早在20世纪70年代,日本的新日铁、千叶、歌山等企业已在冷轧镀层板和电工钢板生产线上采用了“激光扫描表面缺陷检测系统”;20世纪80年代中期,德国尤格尔（Ungerer）公司开发出冷轧带钢表面缺陷自动识别系统“Fire”,它可以在线自动识别冷轧带钢表面缺陷.进入20世纪90年代以来,表面自动检测技术从早期的逐点激光扫描发展到逐行扫描的线阵CCD（Charge Coupled Device）技术,如德国的NANO Systems测量技术有限公司开发的NANO系统采用的是线阵CCD摄像头,该系统可以在带宽为1200mm、轧制速度为90m/min的情况下,检测最小尺寸为0.5mm的带钢表面缺陷;20世纪90年代初,华中理工大学罗志勇等采用激光扫描方法测量冷轧钢板宽度和检测孔洞缺陷,并开发了相应的信号处理电路,此后又开展了线阵CCD和面阵CCD检测技术的研究工作.
目前国际上常用的缺陷检测方法有：①涡流检测的方法;②红外检测的方法;③漏磁检测的方法;④机器视觉检测的方法.前3种方法由于其检测原理的局限性,导致其应用不够广泛,对于种类繁多的缺陷,其检测的效果无法达到令人满意的程度;第四种基于机器视觉的检测方法已经逐步取代前3种方法,在工业无损检测领域得到广泛运用,这得益于当今CCD技术、激光技术、计算机技术的快速发展.
机器视觉大多数基于普通的图像处理技术来对缺陷进行特征提取和检测.从不同的角度也可以对缺陷进行新的描述：①被边缘所包围的区域;②纹理不均匀的区域;③高低不平,有凹凸的区域.根据这几个特点,其对应的检测方法分别是基于边缘的缺陷检测方法、基于纹理的缺陷检测方法、基于凹凸不平整特点的缺陷检测方法.
近年来,深度学习在图像检测识别领域得到大量的应用,如文献[9-10]用卷积神经网络来进行表面缺陷检测.目前,目标检测任务在深度学习上有两个主流方法：第一个主流方法分为两步,即先得到一些锚点框,再对其进行分类和回归,如Fast R-CNN、Faster R-CNN等;第二个主流方法只有一步,即端到端的检测方法,如YOLO、SSD等.第一个主流方法精确度高,但是检测速度慢;而第二个主流方法的精确度不如第一个,但是检测速度比较快.这些目标检测的方法都是基于深度卷积网络.
本文主要针对目前铝材表面缺陷检测的实际问题,利用和扩展两大目标检测算法Faster R-CNN和YOLOv3来进行铝材表面缺陷检测,获得了较好的结果.首先运用Faster R-CNN和YOLOv3对制作的铝材缺陷数据集进行检测;然后基于YOLOv3算法进行改进,提升铝材表面很小缺陷的检测效果.本文在广东工业智造大数据创新大赛提供的“铝型材瑕疵识别”数据集上进行了实验验证,实验结果显示,改进算法的平均精度均值比YOLOv3的mAP高3.4%,比Faster R-CNN的高1.8%.4%,比Faster R-CNN的高1.8%.
1相关工作
在过去的十几年中,计算机视觉的目标检测研究大致分为传统的检测算法和基于深度學习的检测算法.在2013年之前,大部分目标检测都是基于手工的特征选择,HOG行人检测和SIFT特征点检测最为有名.但是对于提高检测精度的方法,人们大多数都只是在一些低层次的特征上进行算法改进,所以效果不佳.然而在1994年,LeNet卷积神经网络对手写字符识别与分类,准确率达到了98%;尽管受限于当时的计算机发展水平,这种卷积神经网络算法没有引起足够的关注,但是这一方法却奠定了现代卷积神经网络的基础.LeNet的体系结构见图1.
到了2012年,名为AlexNet的分类算法在当年的ImageNet比赛中获得了冠军.此后,卷积神经网络在计算机视觉中蓬勃发展,后续也出现了几个比较优秀的卷积网络,如VGG、ResNet等,这些卷积网络为后面的基于深度学习的计算机视觉研究打下了良好的基础.在目标检测中,Ross Girshick等人抓住这一机会,利用卷积神经网络对目标进行特征提取并检测,提出了区域卷积网络目标检测框架（R-CNN）,精度上取得了比传统算法更好的结果,从这一篇文章开始,基于卷积神经网络的目标检测算法大量出现,并且精度越来越高.这些算法从不同的角度出发,有不同的分类方法：①从步骤上来说,可分为两步（two-stage）方法,如Fast R-CNN、Faster R-CNN等,一步（one-stage）方法,如YOLO等;②从有无锚点框上来说,可分为anchor-based方法,如Faster R-CNN和anchor-free方法、Densebox和FSAF等.这些算法有着各自的特点,既有优点,也有缺点：two-stage方法,检测精度比较高,但是速度相对较慢;one-stage则速度占优;anchor-based方法具有启发式特征选择,所以其结果可能不是最优的,最近的anchor-free的方法则克服了这一缺点,两者都为目标检测精度的提升做出了很大的贡献.本文将利用深度学习算法来对铝材缺陷检测进行研究.
2方法
下面主要给出本文缺陷检测所用的Faster R-CNN和YOLOv3及其改进的方法.
2、1Faster R-CNN
Faster R-CNN算法现如今在目标检测中具有很高地位,检测效果比一些传统的检测方法要好很多,也比一些端到端的检测算法效果好.Faster R-CNN分为两个步骤,第一步是通过RPN（Region Proposal Network）网络结构得到初始的ROI（感兴趣区域）,然后通过Fast R-CNN网络对ROI进行检测与分类.RPN是指通过卷积神经网络得出候选区域（region proposals）的网络结构.首先,它定义了一个锚点框（anchor boxes）,然后直接在卷积后的特征图上的每个像素规定了9个大小不同的锚点框,而这9个框的大小比例都是人为设置的.一般实验中9个框有3种形状,长宽比设置为{1：1,1：2,2：1}3种,见图2.图2所示的位置,是因为本文想让这9个大小不同的锚点框映射到原图上时,可以尽量把原图上的目标框住.RPN得到的候选区域需要经过一个Softmax分类,这里的分类仅仅通过估算锚点框里是否有目标来去掉没有目标的锚点框,同时经过一个回归算法,再用非极大抑制方法去除一些与真实框比较接近的锚点框,剩下的候选区域称之为感兴趣区域（ROI）,一幅图大概最后剩下2000个ROI,这样就不用训练大量无关的背景,见图3.从图3中可以看出此网络接了两个1×1的卷积网络,分别用于有无目标的判定和目标坐标的回归.其中的18（9×2）和36（9×4）表示输出网络的通道数,即9个anchors,每个anchor进行二分类和坐标回归且每个坐标有4个参数.接着将ROI与特征图一起输入到下一个卷积网络Fast R-CNN里,其中后面的神经网络接了两个子网络即全连接层,一个用于分类,另一个用于回归.Faster R-CNN的检测目标的大概过程见图4.
2、2YOLOv3
YOLOv3是one-stage方法,即端到端的检测,中间只需要一个卷积神经网络就能完成检测任务,其速度比Faster R-CNN快.此算法之前还有两个相似的算法,YOLOv3是对它们的改进.它不仅采用了多尺度来检测目标,还借鉴了一些基于anchor-based的方法,即应用了anchor boxes（锚窗）对目标进行检测.因此对数据中较小的目标检测准确率高,且定位准.具体操作是将特征图上的每个点映射到原图,得到一个基准点,然后围绕该基准点生成k个锚窗.这里k个锚窗不是先通过设置好的固定大小和长宽比,而是通过k-means算法来得到相应的k个锚窗的大小.并且此方法是采用多尺度预测,即在规定的几个特征图上采用不同大小的锚窗,实验中采用的基础网络是Darknet-53,此网络类似于残差网络,效果好,并且速度比残差网络快,此算法的大体流程见图5.图5是在COCO数据集上的运算流程图.
2、3基于YOLOv3算法改进
铝材表面缺陷检测的难点在于：缺陷的尺寸差异大;瑕疵的形状不规则.YOLOv3采用的是3种尺度,并且在每种尺度上预测3种不同的anchor boxes.本文是对铝材表面缺陷的检测,比如有的擦花缺陷尺寸非常小,本文的目的就是检测铝材表面那些微小的划痕.虽然YOLOv3是多尺度检测,但是效果不好,仍有漏检的缺陷,見图6.YOLOv3算法速度快,且应用了前面相似算法的锚点框,之前的Faster R-CNN每个位置采用了9个anchors,其检测的准确度相对高一点.针对这一点,YOLOv3每种尺度每个位置只采用了3个anchors,这样有可能导致这些anchors在映射到原图上时不能将所有的目标充分框住.所以根据数据尺寸差异大的难点,本文每个尺度只添加一种anchor,如果添加太多,可能导致类别不均衡问题,即背景个数远大于目标个数.那么在参数优化时,背景的贡献也远大于目标贡献,这样既影响检测的效率也降低了一定的准确率.这样需要检测的锚窗总数由原先的（N1×N1+N2×N2+N3×N3）×3个变为（N1×N1+N2×N2+N3×N3）×4个,其中N1,N2,N3是3种选定的特征图的尺度大小,则图5中后面的每个尺度的输出变为图7所示的尺寸.
改进的实验结果见图8.
3实验
3、1数据
本文的数据来源于广东工业智造大数据创新大赛提供的某铝材商品制造厂的“铝型材瑕疵识别”数据集.每个数据都是通过手工打上标签,将数据打包成类似于VOC数据集,其中数据分为训练集、验证集和测试集.由于采集数据时,数据的分辨率太高,所以实验中的输入数据大小统一为500×375.根据实地工业的考察,本文将铝材表面的缺陷分为不导电、桔皮、漆包、喷流、漏底、擦花、起坑、杂色、脏点等.本文主要针对铝材表面单一缺陷,这里的单一缺陷指的是一张数据（图片）上只出现某一类缺陷,见图9.在实验的过程中,经过对数据的处理,删除了一些坏数据,主要是对擦花和脏点这两种缺陷做检测,两种缺陷的数据量有2500张.
3、2评价标准
铝材缺陷是检测任务,而衡量目标检测的性能指标是平均精度均值（mAP）.在介绍mAP之前必须知道精确率（Precision,P）和召回率（Recall,R）,参见表1.
由表1可将精确率和召回率分别定义为其中,TTP、FFP、FFN分别表示TP、FP、FN的预测值（仅是一个数值大小的变量）,并且P和R的取值范围都在0和1之间.一种类别预测的时候可以得到一个以P为纵轴、R为横轴的曲线图,这个曲线图的所围的面积就是这个类别的平均精度（Average Precision,AP）,当需要检测多种类别的时候,只需要将所有类别的AP值之和除以类别数就得到了mAP值.
总结：概括总结：此文为一篇适合不知如何写缺陷方面的大学硕士和本科毕业论文的毕业生以及可作为关于铝材和深度学习论文开题报告和相关职称论文课题写作参考文献资料.
缺陷引用文献:
[1] 科学和深度学习自考毕业论文范文 科学和深度学习有关毕业论文格式模板范文2500字
[2] 深度学习和图像深度硕士毕业论文范文 深度学习和图像深度相关毕业论文范文2万字
[3] 数学和深度学习电大毕业论文范文 数学和深度学习论文范文2000字
