原文传递
基于深度学习的轮胎X光图像缺陷检测算法研究
| 论文题名： | 基于深度学习的轮胎X光图像缺陷检测算法研究 |
| 关键词： | 深度学习;缺陷检测;特征融合;注意力机制;轮胎 |
| 摘要： | 轮胎缺陷导致的胎体爆破会增加侧翻和追尾事故几率。因此，各企业生产线需要对轮胎进行缺陷检测以保证轮胎出厂质量。深度学习的检测方法能够高效率检测各种类别的轮胎缺陷，但由于没有公开的轮胎图像数据集、缺陷尺度各异、缺陷目标不显著、缺陷边缘位置不清晰等问题，现有基于深度学习的轮胎缺陷检测算法仍需改进。为提高轮胎缺陷检测算法的实用性水平，本文做出如下研究: (1)针对目前未有公开轮胎缺陷数据集的问题，制作了轮胎X光缺陷图像数据集。首先，对轮胎图像分块并使用对比度受限自适应直方图均衡算法提升图像清晰度。然后，对预处理后的图像进行手工数据标注，并通过旋转与随机擦除实现样本扩增。最后对图像按比例划分并制作为PASCALVOC格式的数据集。 (2)针对各类目标检测算法检测性能不同的问题，本文对比了多种目标检测算法，并对轮胎X光缺陷图像中缺陷的灰度值、纹理特点、边缘位置和尺度差异进行分析，根据缺陷特性和算法特性选择并搭建了FasterR-CNN基础模型框架。最后引入特征金字塔结构增强网络对多尺度缺陷和小型缺陷的检测性能。 (3)提出了新型多尺度特征融合方式。针对原始特征金字塔中底层特征感受野受限且顶层特征细节缺失严重的问题，设计了空洞-深度可分离卷积和轻量化的感受野扩增模块以扩增底层感受野，提出了具有新型多尺度特征融合方式的BE-FPN(BottomEmbeddingFeaturePyramidNetwork)结构以增加顶层特征的细节信息。最后，引入动态可学习的激活函数MetaACON提升特征提取网络性能以促进高质量的特征融合。改进后模型更适合对尺度不同、形态各异、小型缺陷多的轮胎缺陷进行检测，整体检测精度较改进前提升了4.5％。 (4)针对轮胎X光图像中缺陷区域不显著且边缘位置不清晰的问题，设计了全局软池化机制保留缺陷图像中更多细节信息，提出了软池化坐标注意力模块以增强缺陷目标显著性并嵌入位置信息。该注意力模块嵌入区域建议网络改进后能够增强模型的分类和回归性能，提升了对轮胎缺陷检测的类别精度和位置准确度。 |
| 作者： | 宋丽君 |
| 专业： | 信息与通信工程 |
| 导师： | 吴泽举 |
| 授予学位： | 硕士 |
| 授予学位单位： | 青岛理工大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
