基于机器视觉的SFP底座缺陷检测方法研究

作     者：杨必成 

作者单位：湖南大学 

学位级别：硕士

导师姓名：李蓉;孔朝阳

授予年度：2022年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0803[工学-光学工程] 

主      题：表面缺陷检测 SFP底座 机器视觉 深度学习 轻量化网络 

摘      要：随着5G时代的到来,光纤通信行业的市场规模与日俱增,光纤通信领域最为基础的零部件之一的SFP光模块底座的需求量也随之迅速增长。SFP光模块底座生产质量不仅直接影响SFP装配质量、寿命与使用效果,还可能影响整个光纤通讯系统的运转。目前,SFP底座的表面缺陷检测仅依靠人工目视完成,检测精度与效率难以满足SFP底座的自动化生产需求,为推动智能制造在通信行业的全面发展,研究SFP底座表面缺陷的智能化检测方法具有极为重要的工程意义和应用价值。基于机器视觉的缺陷检测技术非接触、高精度、高效率、稳定性好等优点,本文对基于机器视觉的SFP底座表面缺陷检测方法展开了深入研究,重点从传统图像处理、深度学习、轻量化深度学习三个方向分别对SFP底座表面缺陷检测算法进行研究。论文主要研究工作如下:(1)基于SFP底座缺料、颗粒、卡石、多料和毛刺等五种常见表面缺陷特征的分析和检测需求分析,进行了成像方案硬件选型,设计并搭建了一套抗干扰能力强、可稳定采集高分辨率图像的成像平台,实现了SFP底座图像快速自动化成像。(2)基于传统图像处理方法进行SFP底座表面缺陷检测研究,采用二值形态学、阈值分割等算法将SFP底座图像从背景中分割出来,基于投影长度最小实现了图像倾斜校正,在获取单个SFP底座图像后按照五种常见缺陷分布将其划分为五种检测块,基于形态学、图像分割、LBP算子等方法对五种检测块分别构建特征提取算法,并采用SVM分类器实现缺陷的判定。实验结果表明:五种缺陷的平均检测精确率为92.17%,平均召回率为90.86%,单个SFP底座表面检测时间为4.32s。(3)针对基于传统图像处理构建的检测算法在面对数据分布变化时存在的泛化能力不足、检测精度欠佳等问题,对基于深度学习的SFP底座缺陷检测算法展开了研究。通过实验结果对比,从Faster R-CNN、SSD、YOLOv4中选择综合性能最佳的YOLOv4构建SFP底座表面缺陷检测模型,并针对本文数据集中存在难分辨样本、样本分布不均匀等问题,对YOLOv4算法进行基于K-means++聚类算法的先验框生成优化和基于Focal Loss的损失函数优化,实验结果验证了优化后的YOLOv4在进行SFP底座缺陷检测时的优越性与有效性。五种缺陷的平均召回率为98.87%,平均精准率为96.34%,单个SFP底座检测时间为23.5ms,验证了改进的YOLOv4的优越性以及应用于SFP底座表面缺陷检测的可行性。(4)针对YOLOv4算法的深层网络结构导致效率低、拥有过多网络参数导致设备部署需求增加的问题,对上述算法进行轻量化改进。分别采用Ghost Net与Mobile Netv2对YOLOv4的主干网络进行替换,通过实验结果选择基于Ghost Net进行替换的YOLOv4算法构建SFP底座表面缺陷检测轻量化模型,同时为了优化轻量化改进后算法的检测精度,在其特征融合网络中加入CBAM注意力机制。实验结果证明基于Ghost Net与CBAM改进的YOLOv4检测模型不仅实现了轻量化改进,其检测精度仍能满足实际应用需求。基于轻量化改进后的YOLOv4算法SFP底座表面缺陷检测时的平均召回率为97.31%,平均检测精准率95.18%,在CPU上单个SFP底座检测时间为0.382s,验证了轻量化改进的有效性以及实际应用的可行性。上述两种基于YOLOv4改进的SFP底座检测算法均能满足实际检测需求,其中基于K-means++和Focal Loss改进的YOLOv4拥有更高的检测精度,而基于Ghost Net和CBAM改进的YOLOv4则拥有更快的检测速度,且对设备部署需求更低。论文研究成果为SFP底座表面缺陷的视觉检测提供了重要的依据。