基于显微图像的工件表面缺陷检测算法研究

作     者：杨子奇 

作者单位：沈阳航空航天大学 

学位级别：硕士

导师姓名：于春和;刘建民

授予年度：2023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] 080201[工学-机械制造及其自动化] 

主      题：缺陷检测 深度学习 Yolov4 Yolov5 检测系统 

摘      要：工件表面缺陷检测是目标检测领域的一个重要分支,也是工业生产中必不可少的一环。传统缺陷检测算法存在准确率低、检测速度慢、受主观影响大等问题。表面缺陷通常情况下很微小,通过人工目测不易被发现,需要在显微镜下进行观察。随着显微倍率的变化,会造成缺陷在画面中的占比发生改变,导致工件表面的小目标缺陷在检测过程中发生误检漏检等情况。应用深度学习算法能够更加准确的检测出工件表面存在的缺陷。首先,针对缺陷检测设备存储空间和算力受限的问题,改进Yolov4算法,设计一种轻量级特征提取网络GE-CSPNet替换原有主干网络结构,并将Ghost模块应用于颈部网络。通过改进,在保证检测效果的同时又降低算法模型的参数量。改进后的Yolov4算法,参数量仅为原始算法模型的15.9%,在公开数据集中进行验证,模型的各项指标均有提升。其次,针对缺陷检测任务中小目标缺陷容易发生误检漏检的情况,将Yolov5算法从以下方面进行改进:(1)选用EIo U作为损失函数加快模型训练的收敛;(2)替换原有的Focus模块,减少小目标的数据丢失;(3)设计G-CSP＿X网络结构并将其运用到主干和颈部网络结构中,实现对算法模型的压缩;(4)设计一种空间金字塔池化结构,加强感受野的同时使网络结构具有更强的语义表征能力;(5)改进多尺度预测结构,在浅层网络中增加小目标检测分支,提升小目标检测效果;(6)引入注意力机制模块,使网络更加关注缺陷的特征。改进后的Yolov5算法在公开的数据集中进行验证,平均精度均值提升3.6%、召回率提升4.1%、精确率提升5.3%。最后,构建车刀表面显微图像数据集,并搭建相关检测平台。建立基于显微图像的工件表面检测系统,将改进的缺陷检测算法应用于该系统。经验证,改进后的缺陷检测算法在该数据集下平均精度均值为98.3%,召回率为95.3%,精确率为97.7%。设计人机交互界面,便于检测人员的使用,经过测试该系统能够实时检测车刀表面缺陷,满足实际的检测任务要求。