论文部分内容阅读
铆钉作为一类紧固件,常用于航空航天、飞机装配等重要领域中,因此保证铆钉良好的质量尤为重要。目前,基于机器视觉的缺陷检测方法需要人为设计特征提取器对缺陷的特征信息进行提取,特征提取器的优劣将直接影响检测效果,并且需要针对不同缺陷设计不同的特征提取器,适应性差,鲁棒性低。因此,为了减少人为因素的影响,提高检测效果,本文将深度学习算法引入铆钉外观缺陷识别中,具体研究内容如下:(1)针对铆钉外观缺陷的特点,设计一种铆钉外观缺陷图像采集系统,主要采集铆钉帽上的缺陷图像。搭建合适的图像采集平台,并对所用到的硬件进行分析选型,主要包括工业相机、工业镜头以及光源和照明方式的选择。(2)对采集到的铆钉外观缺陷图像进行预处理,主要包括图像滤波和图像增强。图像滤波主要包括均值滤波、中值滤波和双边滤波,经实验对比,最终选择双边滤波方式对图像进行去噪,该方法去噪的同时还可以保护缺陷部分的边缘信息;图像增强包括基于Retinex和基于数学形态学两类增强方法,实验对比两类方法的优缺点,选择了基于Retinex的SSR方法消除图像中光照不均匀的影响,以达到增强缺陷部分的目的,并对光照均匀图像中的缺陷部分也有一定的增强作用。(3)针对现有的CNN模型对铆钉外观缺陷特征提取不充分问题以及对缺陷分类的高精度需求,提出一种基于CNN的特征融合铆钉缺陷检测方法。该方法并联Res Net和Dense Net的卷积部分对特征信息进行提取并借助残差网络的相加方式将两部分特征融为一体,取代常规CNN网络的特征提取方法。经实验验证,本文所提出的检测方法准确率可达到98.75%,比常规CNN网络提高10%左右,验证了算法的有效性和可行性。(4)针对铆钉表面某些细小、不显眼的缺陷易被丢失和不同种类缺陷混淆的问题,本文提出一种基于MLP的模型融合铆钉缺陷检测方法。该方法主要采用多个不同的模型对缺陷的特征信息进行提取,将不同层次的特征信息结合起来以提高特征信息的可识别性,然后将所有的特征信息送入MLP中进行融合提取主要特征,再使用softmax函数进行分类。使用Alex Net、VGGNet、Goog Le Net、Res Net和Dense Net对铆钉外观缺陷进行分类识别,选择了分类准确率较高的VGGNet、Goog Le Net和Dense Net网络进行融合。实验结果表明,融合后的检测算法准确率可达到99.06%,验证了算法的有效性。