论文部分内容阅读
近年来,随着深度学习理论在计算机视觉领域的迅速发展与不断成熟,基于深度学习的技术广泛应用在图像识别检测的问题上,如铁轨表面缺陷检测、玻璃表面缺陷检测、绿色咖啡豆表面缺陷检测等。我国经济的快速发展带来了大中小城市的汽车使用量快速增长,大量汽车尾气的排放导致空气雾霾越来越严重,雾霾天气让人们出门不得不佩带口罩,而且口罩也是医生护士的必需品。目前市场上绝大多数口罩都是采用无纺布来生产的,这种类型的口罩在生产过程中会产生耳带打结、耳带脱落、口罩本体沾染毛发和污点等缺陷,这些缺陷会影响口罩使用者的正常佩带和身体健康。目前,口罩生产线上使用的口罩表面缺陷识别检测方法是传统的图像处理方法,这类方法需要人工设定特征,缺乏通用性和扩展性。为了解决传统的图像处理方法存在的缺点,本文采用深度学习算法对口罩产品的表面缺陷进行识别检测。与传统的图像处理方法相比,深度学习算法的卷积神经网络无需人为设定特征算子来提取图像特征信息,它能够自动学习图像中有用的特征信息,并将其提取出来。本文主要的研究内容如下:1)提出了一种基于迁移学习的深度CNN口罩表面缺陷识别算法。该算法对VGG-16模型进行了小幅度调整,添加了BN标准化和GELU激活函数,在数据增强、图像预处理和迁移学习方法的基础上对口罩表面缺陷图像进行识别检测。实验结果表明,该算法的识别准确率高于传统的图像处理算法。2)提出了一种基于多特征融合的深度CNN口罩表面缺陷识别算法。该算法在上一个算法的基础上使用了特征融合的方式,弥补了传统的卷积神经网络在特征提取的过程中会丢失部分特征信息的不足。通过和上一个算法作对比实验,证明了该算法对口罩表面缺陷图像和其他工业零件表面缺陷图像都具有很高的识别率,其泛化效果更好。3)提出了一种快速和准确的CNN口罩表面缺陷识别算法。该算法使用了空洞卷积来提取和保留更多的图像信息,再配合BN和IN标准化,以及PReLU激活函数的使用,使得该算法不仅对口罩缺陷图像有着高识别率,而且对于每张口罩缺陷图像的识别速度要快于传统的图像处理算法。