论文部分内容阅读
铸造技术因其成本低廉,可制造复杂部件的优势在汽车工业、航空航天领域都有广泛的应用。工件缺陷自动检测算法作为提高工件生产效率的重要部分,解决这一关键难题具有非常重要的实用价值。工件缺陷自动检测由于不同型号的工件之间结构差异大,不同种类的缺陷区域之间特征相差大,缺陷区域出现位置随机等,在模式识别领域一直是研究难点和热点。卷积神经网络(Convolutioal Neural Networks,CNNs)因其模拟人脑视觉处理机制,具有自动学习样本特征的特点,因此在图像处理领域相比其他深度学习模型有比较大的性能优势。基于卷积神经网络模型的区域定位网络结构模型(Regions with CNN,R-CNN)以及R-CNN网络结构模型的改进模型Fast R-CNN和Faster R-CNN在目标检测方面都比传统的目标检测算法有了很大的提升。基于Faster R-CNN的工件缺陷检测算法,可以避免工件缺陷区域难以有效检测的难题,但同时又具有训练难以有效收敛的难题。本文研究了深度学习理论,尤其是应用于目标检测领域的Faster R-CNN网络结构模型。针对候选区域网络(Region Proposal Networks,RPNs)模型以及选择搜索(Selective Search)算法对于候选框的提取进行质量测试实验,绘制了RPN网络与选择搜索算法提取的候选框的质量曲线图,指出了RPN网络提取的候选框具有更好的质量。针对Faster R-CNN网络模型对于尺寸较小的缺陷区域检测准确率不高的问题,提出了一种适用于工件缺陷检测的锚框设定方案,采用这种锚框设定方案,能够提高Faster R-CNN网络模型对于尺寸较小缺陷区域的检测准确率。针对本文的工件缺陷测试集样本,实验结果表明,采用本文锚框设定方案的Faster R-CNN网络结构模型检测时间多了50ms,对于尺寸较小的气孔缺陷区域检测准确率从64%提高到100%,验证了本文方法的有效性。通过与基于水平集的工件缺陷区域分割算法以及基于卷积神经网络的工件缺陷区域分类算法的对比实验表明,采用Faster R-CNN网络模型能够取得较高的检测准确率以及较快的检测速度,解决了缺陷区域分割检测的难题。最后本文实现了一种基于本文提出的工件缺陷自动检测算法的上位机控制终端软件,并在实际生产环境中得到应用。