基于卷积神经网络模型的钢板表面缺陷分类方法研究

作     者：徐新星 

作者单位：太原科技大学 

学位级别：硕士

导师姓名：谢刚

授予年度：2020年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 080502[工学-材料学] 0805[工学-材料科学与工程（可授工学、理学学位）] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：表面缺陷分类 卷积神经网络 钢板 缺陷图像预处理 

摘      要：钢板在航空航天、机械制造、国防装备等领域中是非常重要的原材料。由于生产工艺和原材料等原因,导致钢板的表面上会出现多种缺陷。钢板表面缺陷的出现会降低钢板的产品质量,降低其机械性能,使其抗腐蚀性能力减弱。因此,在生产过程中实时检测钢板表面缺陷,对于保证钢板的产品质量,具有非常重要的意义。在此背景下,本文对钢板表面缺陷图像预处理技术和钢板表面缺陷分类算法进行了研究。本文的主要研究内容如下:(1)钢板表面缺陷图像的预处理。本文的图像预处理技术主要包含图像滤波和图像增强两部分。分析了常用的三种滤波算法,结合实验分析,选择均值滤波作为钢板表面缺陷图像的滤波方法。采用MSRCR算法对缺陷图像进行增强,提高原图的质量,较好的突出图像的特征,提高图像的亮度和对比度。(2)基于VGG-19卷积神经网络模型的钢板表面缺陷分类方法。首先采用数据增强算法对数据集进行扩充,然后采用迁移学习共享VGG-19网络中卷积层与池化层的权值参数,并添加一些其他层,最后采用softmax分类器对数据集进行分类。实验结果表明,VGG-19网络与其他卷积神经网络模型相比,减小了模型大小,提高了分类准确率,减小了损失值。(3)基于CNN-SVM的钢板表面缺陷分类方法。利用卷积神经网络(CNN)和支持向量机(SVM)融合算法对细微的钢板表面缺陷进行分类。首先采用CNN中的卷积层和池化层进行特征提取,然后采用SVM分类器进行分类,并且在训练过程中加入L正则化算法。实验结果表明,CNN-SVM方法的分类准确率最高,测试时间最短。