基于机器视觉的金属屏蔽罩表面缺陷检测方法

作     者：郭磊 

作者单位：西安工业大学 

学位级别：硕士

导师姓名：郭全民;王彤

授予年度：2024年

学科分类：08[工学] 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] 

主      题：金属屏蔽罩 表面缺陷检测 数据增强 缺陷分割 深度学习 

摘      要：由于手机内部芯片金属屏蔽罩在加工生产过程中受各种因素的影响,难以避免会有极少的产品表面受到损伤。为了确保交付产品满足质量要求,实际生产中需要逐个进行表面缺陷检测。目前检测方法从人工目测、传统机器视觉发展到了深度学习,解决了精度、效率的问题。然而,深度学习网络应用于金属屏蔽罩表面缺陷检测时,存在因缺陷图像数据集小且数据分布不均衡,导致网络特征提取能力不足,以及对小目标缺陷检测精度低的问题;同时,现有方法仅对表面缺陷进行识别分类,未对其进行分割,不利于后期利用缺陷轮廓分析缺陷产生的原因,并指导相应的工艺改进。 为此,本文提出了基于机器视觉的金属屏蔽罩表面缺陷检测方法,主要研究内容如下: 1)构建了一种基于自注意力机制的Cycle GAN数据增强网络。通过引入自注意力机制到Cycle GAN网络的生成器和判别器中,使模型强化了对缺陷关键信息的处理能力。使得生成器能更有效地学习不同通道特征和缺陷图像中不同区域的重要性,进而减少无用信息对模型生成的干扰。同时,判别器中的自注意力机制也显著提升了其区分真实图像与生成图像的能力,从而增强了判别器的准确性和鲁棒性。 2)设计了一种基于混合注意力机制的YOLOv5金属屏蔽罩表面缺陷检测方法。首先,通过引入Bi FPN网络结构,实现多尺度特征的融合,从而提高目标检测的准确性和效率。其次,结合PHAM注意力机制,使神经网络能够自适应地筛选和加权输入信息,进一步优化模型的性能和效率。最后,将原始模型中的CIOU损失函数替换为SIOU损失函数,加快了收敛速度,提高了模型检测精度。 3)设计了一种基于改进YOLACT的金属屏蔽罩表面缺陷分割方法。通过把YOLACT原始模型的默认主干网络Res Net改变为Conv Next,以及加入NAM注意力机制,减少信息丢失,丰富高层特征信息。提升模型提取缺陷边缘轮廓特征的能力,从而提高了分割精度。 本文对金属屏蔽罩表面缺陷检测方法中的缺陷图像数据增强、缺陷识别分类以及缺陷分割方法进行了研究,并在设计的金属屏蔽罩表面缺陷检测试验平台中进行算法验证,试验结果表明本文方法能满足金属屏蔽罩表面缺陷检测的实际应用要求。