基于计算机视觉的金属表面缺陷检测方法研究

作     者：阴滮 

作者单位：沈阳大学 

学位级别：硕士

导师姓名：谢英红

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：金属表面缺陷检测 计算机视觉 数据增强 纹理检测 深度学习 

摘      要：金属表面缺陷检测在工业生产中具有重要的意义。金属制品的质量直接影响到产品的可靠性、安全性和外观质量,因此及早发现和处理金属表面的缺陷对于提高产品质量、降低生产成本具有重要意义。传统的金属表面缺陷检测方法主要依赖于人工目视检查或简单的机械测量,这种方法存在效率低下、准确性不高、依赖经验与无法实时检测的缺点。 近年来,基于计算机视觉的目标检测方法被广泛应用于各种检测任务中。本文通过分析金属表面缺陷的特征,提出了一种新的基于计算机视觉的金属表面缺陷检测方法,其中包括对金属数据集的扩充,对金属表面缺陷的缺陷检测与复杂纹理的金属表面缺陷的检测,主要研究如下: (1)本文提出了一种改进的辅助分类生成对抗网络(ACGAN),用于生成钢材表面缺陷图像,以提高数据增强效果。在生成器网络中引入了CA残差模块,结合通道注意力机制和残差学习,增强了特征提取和表示能力。同时,在判别器网络中采用了Wasserstein损失函数,引入Wasserstein距离作为判别损失函数,提供了更一致的梯度信号,实现了更平滑的梯度和更稳定的训练过程,减少了模式崩溃的风险。 (2)本文提出一种基于改进的YOLOv7算法的钢材表面缺陷检测算法。首先设计了TI模块,将Transformer模块和Inception DWConvolution结合起来,增加网络检测小物体的能力。其次引入SPPFCSPC结构来增强网络训练性能。第三设计GAM注意力机制,优化网络结构,弱化缺陷图像中的无关信息,增加算法检测小缺陷的能力。同时采用Mish函数作为特征提取网络的激活函数,提高模型的泛化能力和特征提取能力。最后设计了MPDIo U损失函数来定位损失,解决CIo U预测框与真实框方向不匹配的问题。 (3)本文提出了一种基于Res MLP和Cv T的深度学习模型,用于解决复杂纹理的金属表面缺陷检测问题。该模型结合了纹理提取模块和Agent注意力模块,有效提高了纹理缺陷检测性能。首先利用Res MLP生成多尺度特征图,并通过纹理提取模块增强低级特征图的纹理特征,接着采用Cv T提取不同尺度的特征图,并通过Agent注意力模块增强全局和邻近上下文信息,最后利用多分类损失函数进行分类预测。 (4)本文提出了一种改进的VGG16模型,用于金属表面缺陷图像分类。通过替换部分卷积层为DCNv3模块,并设计CNN分类器,在其中引入多个神经网络层,实现了多层次、多样性的特征提取,提高了对复杂特征的捕获能力。实验结果表明,该模型在分类任务中具有极高的准确性和鲁棒性。