原文传递
基于卷积神经网络的轻量化轮毂缺陷自动检测算法研究
| 论文题名： | 基于卷积神经网络的轻量化轮毂缺陷自动检测算法研究 |
| 关键词： | 轻量化轮毂;缺陷自动检测算法;卷积神经网络 |
| 摘要： | 轮毂缺陷检测算法作为全自动轮毂检测系统的核心，对轮毂出厂的检测效率和检测精度起到关键的作用。为了提升企业对轮毂缺陷的检测效率和精度，本文以主流的识别网络YOLOv4和分割网络U-Net为基础，从模型轻量化和检测精度两个方面进行研究。论文的研究内容包括： 为提升检测效率，实现轮毂实时在线检测，本文搭建了基于轻量化YOLOv4网络的缺陷识别算法。该算法使用轻量级卷积神经网络MobileNetV3替换YOLOv4主干特征提取网络，并在PANet（PathAggregationNetwork）模块中引入通道注意力机制SE（SqueezeandExcitation）模块和深度可分离卷积，在保证识别精度的前提下，减少了原YOLOv4网络的参数量。为了弥补轻量化算法对识别精度的损失，本文结合轮毂缺陷的目标特性和分布特点，使用K-means++对自建缺陷数据集边框进行聚类，进一步提高了轮毂内部缺陷的识别精度。通过自建数据集测试，改进算法全类别平均准确率mAP（meanAveragePrecision）为87.46％，测试时间为0.075s，可以实现轮毂缺陷实时在线检测。 为提取缺陷精确的轮廓，计算缺陷面积，本文搭建了基于轻量化U-Net网络的缺陷分割算法。该算法将MobileNetV3中的bneck模块移植到U-Net网络的编码部分，在减少网络参数的同时加深了网络深度，来提高网络的拟合能力。在编码器和解码器补充目标特征信息的路径中，加入了门控注意力机制，逐层对采样过程中的特征图进行权重分配，来进一步提高网络分割的精度。通过自建数据集测试，改进算法平均像素精度mPA（meanPixelAccuracy）为91.57%，测试时间为0.067s，能够快速准确的识别缺陷。 |
| 作者： | 范涛 |
| 专业： | 电子信息 |
| 导师： | 王明泉;张俊生 |
| 授予学位： | 硕士 |
| 授予学位单位： | 中北大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
