针对304不锈钢管产品传统缺陷检测方法的不足之处,本文研究了图像处理技术与深度学习方法,将其应用在了304不锈钢管缺陷检测上,并取得良好的检测效果。本文主要做了以下的工作:

1)研究了多种图像处理技术,并且进行了实验与分析,针对304不锈钢管图像中光照不均匀的问题,提出了一种新的图像处理算法,最终在304不锈钢管数据集上验证了提出图像处理算法的可行性。

2)研究了深度学习算法——Faster R-CNN,并且对Faster R-CNN的网络结构进行了改进。基于MX-NET深度学习框架搭建模型,并且对修改后的网络进行了训练,通过实验对比了不同结构的Faster R-CNN的网络性能,验证了提出的算法在304不锈钢管缺陷检测方面,相较于其他算法具有明显的优势。

3)根据304不锈钢管缺陷检测的需求,搭建了一套304不锈钢管表面缺陷检测系统。通过系统可以对304不锈钢管图像进行图像处理与缺陷检测。

本文通过对现阶段304不锈钢管表面缺陷检测方法的学习与需求的分析,对传统304不锈钢管表面缺陷检测的方法进行了改进,设计了针对光照不均匀的图像处理算法与提升检测精度的深度神经网络模型,主要创新点如下:

1)针对光照不均匀的问题,提出了一种新的图像处理算法——多层处理策略的光照不均匀图像处理算法,该算法对光照不均匀的图像有很好的处理效果。利用D Bottom-hat灰度矫正算法对图像进行灰度矫正,增强缺陷目标与背景的对比,再利用单尺度Retinex算法进行处理,最后对图像进行NE-Adaptive threshold分割,获得的结果在准确率上相较于其他算法有所提升。

2)针对深度学习算法在检测时结构信息丢失,使得检测精度不高的问题,提出了一种新的深度神经网络模型——基于特征融合和级联检测网络的FasterR-CNN304不锈钢管表面缺陷检测算法(FF R-CNN)。在FF R-CNN中,对VGG-16特征提取网络进行了特征融合。通过实验对比,选择对Block3Block5进行特征融合,使304不锈钢管表面缺陷的结构信息得到更好的保留。另外,FF R-CNN在主干网络与RPN网络之后级联2IoU阈值不同的检测网络,进一步提高算法的检测精度。在公共数据集NEU-DET上进行的实验表明,FF R-CNNmAP和检测速度方面具有明显的优势,该算法将mAPFaster R-CNN算法的84.06%提高到98.29%,检测速度达到12.26fps,能够满足智能制造的生产需求,并且该模型还具有一定的泛化能力。

本文研究的针对光照不均匀的图像处理算法与针对缺陷检测率不高的特征融合与级联检测网络的Faster R-CNN算法能够弥补传统304不锈钢管表面缺陷检测的一些不足之处,而且提出的算法具有一定的泛化能力,可以应用在其他视觉检测领域。由于学习过程中时间不足和304不锈钢管缺陷检测领域经验的匮乏,本文还有一些不足之处需要改进,今后可以在以下几个方面展开研究:

1)图像处理算法部分的改进。本文设计的针对光照不均匀的图像处理算法分为三个部分,相对其他图像处理算法步骤较多,处理时间较长。研究出一种算法步骤简洁的算法是未来的研究方向。

2)深度学习算法部分的改进。特征融合与级联检测网络的Faster R-CNN算法在算法检测精度上表现优异,但在检测速度上与现在流行的SSD等单阶检测网络存在差距,需要在算法上进行改进以提高检测效率。

3304不锈钢管缺陷检测系统部分的改进。本文搭建的304不锈钢管缺陷检测系统在检测体量上与实际生产的需求有所差距,无法应用在实际生产中。在今后的研究中应有所改进。