论文部分内容阅读
在生产过程中利用图像处理相关算法实现工件表面的缺陷检测识别可有效解决传统缺陷检测依赖人工离线化操作的问题,能够节省工厂人力成本。针对工件表面缺陷的检测问题,本文提出了一种基于机器视觉的工件表面缺陷自动检测识别方法,开展如下几个方面的研究:1、铣削工件表面图像采集和样本库构建。选定加工材料设计铣削加工实验,从而获得具有不同缺陷的工件表面图像。搭建图像采集实验平台,采集已加工的铣削工件表面图像,建立铣削工件表面图像样本库。同时,为了进一步扩建样本库,在已有样本库的基础上,引用了kaggle平台开源的Severstal数据集。2、利用改进FCM算法实现工件表面缺陷判别。针对采集图像进行预处理工作,分别对各图像进行去噪、特征结构增强处理,以提高原始铣削工件表面图像质量。预处理后,针对传统模糊C均值(FCM)算法在实现对图像的聚类分割时未考虑像元间相互关系,且未事先给出被分割图像初始聚类中心的问题,提出了一种考虑像元间相互关系的FCM聚类分割算法。该算法基于数据场原理,首先利用像元间相互关系,通过计算图像中各像素点的势值,形成图像数据场,然后利用图像数据场的势心,确定模糊C均值算法的初始聚类中心,最后基于已形成的图像数据场,利用改进后的FCM算法实现对工件表面图像的聚类分割,从而达到缺陷判别的目的。实验结果表明,针对工件表面图像,改进后的算法具有较好的分割效果,能准确分割出目标缺陷,且对于多种缺陷的不同噪声图像可达到93%以上的分割正确率,同时具有较高的平均结构相似性。3、基于Dense Net的工件表面缺陷检测识别。为防止过拟合,采用镜像对称、随机裁剪以及基于PCA的图像色彩强度变换方法增强原有数据,扩大数据量。在对工件表面缺陷图像识别的需求进行分析后,确定网络的输出结构。利用迁移学习,在Dense Net121的基础上,建立网络整体结构,按照60%、20%、20%的比例将样本库划分为训练集、验证集以及测试集。在训练集上对网络模型进行训练,训练过程中对比训练集损失与验证集损失以防出现过拟合,。理论分析和实验结果表明:本文所提出的工件表面缺陷自动检测识别方法具有较好的检测效果,能够在一定程度上解决传统工件表面缺陷检测依赖人工检测的问题。训练好的模型针对铣削工件表面图像的缺陷检测具有较好的鲁棒性以及正确率,能够识别出缺陷图像的详细信息。