基于深度度量学习的中间壳表面缺陷智能检测系统

作     者：储世伟 

作者单位：江南大学 

学位级别：硕士

导师姓名：李可;苏文胜

授予年度：2023年

学科分类：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] 0804[工学-仪器科学与技术] 0802[工学-机械工程] 0811[工学-控制科学与工程] 

主      题：机械零件 缺陷检测 深度学习 深度度量学习 标签噪声 

摘      要：随着制造业的快速发展,零件表面缺陷检测已成为制造业中不可或缺的一环。表面缺陷会对零件的质量和性能产生严重影响,甚至会导致零件的失效。近年来人工智能技术不断进步,基于机器视觉的缺陷检测得到了大量发展与应用。然而,这些方法在实际应用时,存在泛化性不足、分类精度不高、收敛速度慢、易受噪声干扰等问题。本文针对上述问题,研究了基于O2U-Net(Overfitting to Underfitting Net)的标签噪声过滤方法和基于深度度量学习的表面缺陷检测方法,并将这两种方法结合,开发了一套中间壳表面缺陷智能检测系统以应用于实际产线。本文主要研究内容如下:1.为了缓解零件表面缺陷检测中标签噪声的影响,提出了一种基于改进O2U-Net的标签噪声过滤方法。首先,利用部分干净样本对加入MIC(Masked Image Consistency)模块的模型进行预训练,增加困难样本和错误标签样本之间的差异性,降低模型将困难样本识别为错误标签样本的风险;然后,为了提高数据利用率,将每个批次中提取的图像特征保存到记忆模块,并比较各个样本之间的相似度进一步筛选标签噪声;最后,通过中间壳表面缺陷数据集验证该方法的去噪性能,实验结果表明该方法针对不同噪声比例的样本能够达到97.54%的准确率,相较原方法最高能够提升8.77%的准确率。2.针对大部分深度学习模型应用于复杂零件表面缺陷检测时存在分类精度低、收敛速度慢、稳定性不高的问题,提出了一种基于深度度量学习的表面缺陷检测方法。首先,引入了深度注意中心损失函数,并根据各个样本到中心的距离对损失进行加权优化,大幅度增加背景和特征重要性区分度,同时提高了模型的分类精度和收敛速度;然后,利用改进的O2U-Net模型进行样本筛选和预训练,提取各类样本的中心作为中心损失的初始中心,有效降低了标签噪声的影响,改善了中心随机性问题,减少了模型训练崩溃的概率;最后,利用中间壳表面缺陷数据集对模型进行了测试,实验结果表明该方法最高能够达到97.14%的分类准确率,证明了其在零件表面缺陷检测中的优越性。3.为了实现零件表面缺陷的自动化检测,本文设计了一套中间壳表面缺陷智能检测系统。首先,对中间壳的表面缺陷类型和位置进行分析,并根据缺陷特点对检测系统进行整体规划;然后,对相机、镜头、光源等硬件设备进行了选型,设计了相关工业相机与光源的组合方案以完成图像采集工作;最后,基于.NET平台开发智能表面缺陷检测软件,该软件具备直线度检测、圆检测、边缘检测和深度学习等功能,并集成模板管理、数据统计、结果显示等界面。通过功能测试证明了本文所设计的系统能够实现中间壳表面缺陷高精度自动化检测功能,满足企业需求。