原文传递
基于深度学习的十字轴表面缺陷检测算法研究
| 论文题名： | 基于深度学习的十字轴表面缺陷检测算法研究 |
| 关键词： | 汽车底盘;十字轴;表面缺陷检测;深度学习;卷积神经网络 |
| 摘要： | 十字轴是汽车底盘传动系统中万向传动装置的关键零部件，十字轴表面在生产过程中会产生各种各样的缺陷，因此十字轴表面缺陷检测具有至关重要的意义。相比于传统的检测算法，基于深度学习的目标检测算法检测准确率更高、适应性更强。但是在实际复杂的工业环境中，基于深度学习的表面缺陷检测难度增加，由于神经网络巨大的参数量使检测效率变低。针对上述问题，本文的主要工作如下： （1）基于深度学习的目标检测算法，数据集的制作至关重要。由于目前十字轴表面缺陷没有公开数据集，因此对十字轴视觉检测生产中的缺陷图像进行采集归类，制作十字轴表面缺陷数据集。选用YOLOv5作为本文的基线算法，并详细介绍其网络结构和网络中的子模块，算法模型的实验环境和评价指标。在YOLOv5模型上训练十字轴表面缺陷数据集，mAP达到了79.2％，推理时间为38.6ms。 （2）针对十字轴表面缺陷数据集中缺陷目标尺寸都很小的特点，应用K-Means算法聚类得到新的anchors，这加速了损失函数收敛，增加了预测框与真实框的匹配程度，使模型的mAP从79.2%提升到了81.4%；通过在YOLOv5主干网络中添加SENet通道注意力机制，提高了目标特征的重要性同时抑制了无用特征，模型的mAP提升了大约1%. （3）介绍了卷积神经网络中的结构重参数化，以RepVGG模块为例，详细描述了结构重参数化的计算过程。用DBBm重参数化模块替换YOLOv5主干网络和颈部网络中的C3模块，在推理阶段经过重参数化减少了网络的参数量，推理时间为原模型的63%，模型体积仅为原始体积的42%，在提升模型精度的同时减少了推理时间。对于工业应用场景，改进后的模型检测准确率更高，推理速度更快，同时漏检率更低，更具有实用价值。 |
| 作者： | 淡卫波 |
| 专业： | 机械 |
| 导师： | 朱勇建 |
| 授予学位： | 硕士 |
| 授予学位单位： | 浙江科技学院 |
| 学位年度： | 2022 |
检索历史
应用推荐
