论文部分内容阅读
某电子公司生产的高频变压器外观缺陷检测和分类,目前都是由人工完成,存在误检测、效率低、受人情绪及疲劳等状态影响大、检测一致性难保证等问题。由此开发了机器视觉检测系统,但该系统为传统视觉检测原理,特征提取过于依赖于人的经验,并且其提取缺陷特征主要为表层特征,不能利用隐藏的数据分布信息。深度学习与视觉检测结合应用于表面缺陷视觉智能检测是目前的研究热点和具有广泛应用前景。本文针对高频变压器外观缺陷检测,研究了基于深度学习的高频变压器表面缺陷视觉检测算法。首先,对表面缺陷的传统视觉检测方法和深度学习的视觉检测方法特点进行了分析。针对高频变压器缺陷种类多、检测背景复杂等特点,构思了深度学习与视觉检测方法相结合的思路,进行了项目的需求分析和深度学习检测模型性能比较,选择了以YOLO V3网络模型为本文的表面缺陷视觉检测的基准模型。其次,针对原始YOLO V3网络模型的初始参数对高频变压器外观缺陷视觉检测准确率不高的问题,选用了阿里天池大赛提供的铝材缺陷数据集对YOLO V3网络模型进行预训练,所得权重参数作为高频变压器表面缺陷检测网络的初始值。实验表明,此改进可使模型的整体检测准确率提高1%。第三,针对改进预训练数据集后的YOLO V3网络模型对字符模糊类缺陷的检测准确率也不高的问题,通过对原始YOLO V3网络新增一个卷积神经网络的结构调整,实现正负样本的筛选和先验框的调整,为后续边框预测提供了更好的初始值。实验表明,改进的网络模型保持了优秀的特征提取能力并使整体检测准确率提高约4%。第四,针对小数据集先验框选取可能影响拟合数据分布效果的问题,新增加卷积模块对先验框的宽高初步调整,并送入最后的预测层,为后续边框回归提供了更好的初始值。第五,对收集的高频变压器缺陷数据集进行数据增强后,应用新模型进行检测测试并与其他方法的检测结果对比,表明:本文的模型检测精度不如Faster R-CNN的,但检测速度约是其五倍;对于算法的实时性与准确性,本文算法优于SSD检测算法;与高频变压器外观缺陷的传统视觉检测结果对比,传统方法的检测精度更高但其适应性较差,而本文改进的YOLO V3视觉检测算法虽检测精度稍逊于传统方法但检测速度更快、适应性更强。本文研究的“基于YOLO V3网络深度学习的高频变压器外观缺陷视觉检算法”对高频变压器外观缺陷的智能检测方法提供了一种途径。