原文传递
基于机器视觉的汽车漆膜缺陷检测算法研究
| 论文题名： | 基于机器视觉的汽车漆膜缺陷检测算法研究 |
| 关键词： | 汽车漆膜缺陷检测算法;机器视觉;注意力机制 |
| 摘要： | 车身漆膜作为车身外表面不可或缺的组成部分，起着保护和装饰车身的作用。由于受到汽车涂装车间环境、涂装工艺和涂料质量等因素的影响，难免会在漆膜表面形成各种类型的缺陷。针对传统人工目检效率低下、检测结果不稳定等问题，本文在充分调研国内外漆膜缺陷检测方法的基础上，将传统机器学习缺陷检测算法对图像底层纹理特征提取的优势和深度学习缺陷检测算法对语义特征提取的优势相结合，提出了一种新的基于机器视觉的漆膜缺陷检测方案，以从粗到精的方式实现了缺陷区域粗略检测和缺陷检测与识别两个阶段，主要内容如下: (1)针对漆膜样板背景单一，缺陷面积占比小的问题，将样板图像切分并通过对切分子图像的分类实现缺陷区域的粗略检测。首先提取了样板子图像的灰度直方图统计特征和灰度共生矩阵统计特征;其次搭建了梯度提升树与逻辑回归的融合分类模型，并运用随机搜索策略对重点参数进行了优化选取。 (2)在综合考虑模型检测准确率和检测速度的基础上，提出了基于YOLOX-tiny的漆膜缺陷检测与识别算法，并针对漆膜缺陷中微小缺陷占比大且存在极端长宽比的情况，融合卷积块注意力机制模块对YOLOX-tiny的网络结构进行了改进。 (3)根据某公司提供的漆膜样板的表面特性，搭建了漆膜样板图像采集实验平台;通过对样板图像进行切分得到了包含正常子图像和缺陷子图像的样本集，并通过离线数据增强实现缺陷子图像数量的扩增;同时，完成缺陷子图像中缺陷目标的标注，建立了漆膜缺陷数据集，为缺陷区域的粗略检测和缺陷的检测与识别做好数据准备。 最后，通过对不同分类模型在本文提取的特征数据上的实验对比分析，本文采用的分类模型在测试集上分类准确率达到了94.24％，相比单独使用GBDT、LR分类模型分别提升了1.43％和2.87％。同时，对于漆膜缺陷检测与识别，本文提出的融合CBAM注意力机制的YOLOX-tiny模型检测平均准确率达到了93.31％，相比不添加注意力机制模型提升了2.09％，且对微小缺陷和极端长宽比缺陷的检测准确率也得到了很大地改善。 |
| 作者： | 焦小强 |
| 专业： | 仪器科学与技术 |
| 导师： | 任获荣 |
| 授予学位： | 硕士 |
| 授予学位单位： | 西安电子科技大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
