發(fā)布時(shí)間：2024-05-28 04:11

　　磁片表面缺陷的檢測(cè)一直是磁片廠流水線生產(chǎn)中提高生產(chǎn)效率、降低生產(chǎn)成本的重要環(huán)節(jié)。當(dāng)前,多種機(jī)器視覺(jué)檢測(cè)方法已經(jīng)被應(yīng)用,它們都是采用人工提取缺陷特征的方式。但由于磁片表面對(duì)比度低,磨痕紋理干擾,以及缺陷塊小且亮度變化大等難點(diǎn),導(dǎo)致準(zhǔn)確度不高、通用性不強(qiáng),因此一個(gè)魯棒性強(qiáng)的缺陷檢測(cè)系統(tǒng)將對(duì)磁片生產(chǎn)帶來(lái)巨大的效益。由于深度學(xué)習(xí)具有自主學(xué)習(xí)特征的能力,能對(duì)結(jié)構(gòu)進(jìn)行更精準(zhǔn)的表達(dá),于是本文提出了一種基于深度學(xué)習(xí)的磁片表面缺陷檢測(cè)方法。本文通過(guò)訓(xùn)練輕量化的Inception-Resnet-v2深度神經(jīng)網(wǎng)絡(luò)模型,得到分類(lèi)結(jié)果,并與傳統(tǒng)的機(jī)器學(xué)習(xí)方法進(jìn)行了對(duì)比。實(shí)驗(yàn)表明本方法不僅能自動(dòng)提取特征并進(jìn)行分類(lèi),實(shí)現(xiàn)磁片檢測(cè)自動(dòng)化,而且識(shí)別精確度得到了大幅度提升。實(shí)驗(yàn)過(guò)程中發(fā)現(xiàn),使用深度學(xué)習(xí)模型進(jìn)行訓(xùn)練時(shí)需要海量帶有標(biāo)簽的訓(xùn)練數(shù)據(jù),因此需要極高的人工標(biāo)注成本。針對(duì)此問(wèn)題,本文提出了一種基于主動(dòng)學(xué)習(xí)的樣本優(yōu)選方法,對(duì)上述深度學(xué)習(xí)的訓(xùn)練方法進(jìn)行改進(jìn)。該方法在訓(xùn)練過(guò)程的每輪迭代中優(yōu)選出信息量大,多樣性豐富的樣本,使用較少的訓(xùn)練樣本就能達(dá)到分類(lèi)器精度的最大值。這種樣本優(yōu)選方法在兼顧分類(lèi)器精確度的同時(shí),大大降低了人工標(biāo)注...

【文章頁(yè)數(shù)】：61 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2-1缺陷檢測(cè)基本流程

7圖2-1缺陷檢測(cè)基本流程質(zhì)上是通過(guò)數(shù)字圖像處理等經(jīng)典方法找到感興趣區(qū)域（測(cè)的本質(zhì)是通過(guò)模式識(shí)別方法將輸入的訓(xùn)練集進(jìn)行訓(xùn)練為之后所有輸入樣本的分類(lèi)器使用。所以磁片產(chǎn)品缺陷模塊和缺陷分類(lèi)模塊。首先，訓(xùn)練模塊時(shí)輸入大量的訓(xùn)圖片中提取到感興趣區(qū)域（目標(biāo)磁片）；提取的目標(biāo)圖理作為訓(xùn)練....

圖2-2M-P神經(jīng)元模型

浙江工業(yè)大學(xué)碩士學(xué)位論文時(shí)，神經(jīng)元由“抑制”狀態(tài)激活成““興奮”狀態(tài)。McCulloch[23]等人提出了“M-P神經(jīng)元模型”，如圖2-2所示，神經(jīng)元接收來(lái)自多個(gè)帶有權(quán)重系數(shù)的上層神經(jīng)元輸入信號(hào)，計(jì)算這些帶權(quán)重輸入信號(hào)之和，再與神經(jīng)元的閾值進(jìn)行比較，比較結(jié)果通過(guò)“激活函數(shù)”....

圖2-3含有單層隱藏層的神經(jīng)網(wǎng)絡(luò)模型

1)為學(xué)習(xí)率（learningrate），y為感知機(jī)的輸出信號(hào)，直到預(yù)yy，或者達(dá)到人為設(shè)定結(jié)束要求，感知機(jī)不再進(jìn)行權(quán)重調(diào)二層神經(jīng)元組成，只在最后輸出層進(jìn)行激活函數(shù)的非線性處不強(qiáng)，只能解決一般的線性可分問(wèn)題，已由Miller等人證明問(wèn)題，即可以找到一個(gè)線性超平面....

圖2-4經(jīng)典的lenet-5網(wǎng)絡(luò)

浙江工業(yè)大學(xué)碩士學(xué)位論文卷積神經(jīng)網(wǎng)絡(luò)不僅包含了卷積層，還包含了子采樣層和全連接層，并由它們構(gòu)成一個(gè)特征提取器。最經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型由YannLecun等人提出[27]，如圖2-4所示，不包括輸入層一共有7層，其中C1和C3是卷積層，對(duì)應(yīng)的特征圖（feat....

本文編號(hào)：3983471