论文部分内容阅读
无缝钢管的应用需求越来越多,其质量优劣将对无缝钢管性能起着决定性的作用,而无缝钢管表面缺陷是衡量其质量优劣的一个重要指标。本文研究基于机器学习的无缝钢管表面缺陷检测技术对常见的七种无缝钢管表面缺陷(含正常)进行识别,分别运用支持向量机(Support Vector Machine,SVM)方法和 Tensorflow 深度学习(Deep learning)框架对无缝钢管表面缺陷进行识别,并将深度学习模型移植到Android智能终端。本文的主要工作如下:1.构建无缝钢管表面缺陷数据库,由七类图片组成:凹坑、擦伤、划痕、麻面、翘皮、裂纹、正常。七类图片合计2156张。2.实现了基于SURF_BOW特征与SVM的无缝钢管表面缺陷识别。通过SURF算法提取缺陷局部特征,采用K-means算法进行特征聚类,并构造BOW模型来得到特征词典,再对1-a-1 SVM进行训练,得到无缝钢管表面缺陷识别模型。对于测试样本,该方法的平均识别准确率为79.8%,单副图像测试平均时间为1.43s。3.采用深度AlexNet模型利用迁移学习技术进行无缝钢管表面缺陷识别。具体设计实现了两种方案:①采用微调(Fine-tuning)技术并重新训练最后三个全连接层得到识别模型,模型的平均识别准确率为90.2%,单副图像测试平均时间为2.12s。②对全连接层提取的特征进行融合,再采用微调技术并重新训练全连接层得到识别模型,该模型的平均识别准确率为91.2%,单副图像测试平均时间为2.44s。4.为增强本文无缝钢管表面缺陷识别方法的实用性。尝试将特征融合微调模型移植到Android操作系统,以实现无缝钢管表面缺陷的离线检测和在线检测。已取得初步成果,离线检测模式下,平均识别准确率为91.2%,单幅图像测试持续时间为5.84s。在线检测模式下,平均识别准确率为87.5%。