导读:本文包含了神经网络缺陷检测论文开题报告文献综述及选题提纲参考文献，主要关键词:动车组行车安全图像,卷积神经网络,缺陷检测,实例分割
神经网络缺陷检测论文文献综述
周雯,史天运,李平,马小宁,杨凯[1]（2019）在《基于卷积神经网络的动车组行车安全图像缺陷检测与分割》一文中研究指出动车组运行故障动态图像检测系统TEDS在客运专线安装部署,为动车组安全运行提供保障。针对TEDS缺陷自动检测精度低的问题,提出基于卷积神经网络的TEDS缺陷检测与分割模型,采用特征金字塔网络提取缺陷的多尺度融合特征,采用可改变感受野的可变形卷积DCN适应缺陷形态的多样性。TEDS缺陷检测任务中缺陷数量远小于背景数量,采用在线困难样本挖掘OHEM筛选出困难样本,重新输入预测网络以平衡正负样本的比例。通过对几个动车段的TEDS图像数据进行试验分析,结果表明该模型的准确率、召回率优于传统方法。另外,迁移学习试验结果验证了模型的泛化能力,且该模型可以实现缺陷的精准分割。(本文来源于《铁道学报》期刊2019年10期）
刘畅,张剑,林建平[2]（2019）在《基于神经网络的磁瓦表面缺陷检测识别》一文中研究指出目的针对传统算法提取磁瓦表面缺陷的局限性,以及通过人为选择缺陷特征进而判断缺陷种类的方法精度不足等问题,结合改进的UNet模型和一个分类神经网络提出一种磁瓦缺陷检测识别算法。方法改进的UNet模型用于提取缺陷,而分类神经网络则用于对所提取的缺陷区域进行分类识别。为了提高模型的分类精度,使用空洞卷积对UNet模型部分卷积层和池化层进行替代,以减少多次池化带来的细节丢失的问题,同时,增加多次跳跃连接,使UNet模型能够融合更多的卷积特征。结果经实验验证表明,改进UNet模型对缺陷区域的预测精度可达到93%。根据预测结果使用分类神经网络对缺陷进行分类,经实验验证,分类的精度可达94%,满足工业要求。结论改进的UNet模型对磁瓦缺陷提取精度有所提高,分类神经网络的缺陷分类精度较高。结合改进的UNet模型和分类神经网络能同时并有效地实现缺陷提取和分类识别,为磁瓦质量检测和性能评估打下基础。(本文来源于《表面技术》期刊2019年08期）
王永利,曹江涛,姬晓飞[3]（2019）在《基于卷积神经网络的PCB缺陷检测与识别算法》一文中研究指出现有的印刷电路板(PCB)缺陷检测与识别算法大多都采取传统的图像处理和识别过程:即缺陷检测,特征提取和缺陷识别。由于电路板的复杂性,传统方法对于种类较多的缺陷很难达到精确分类,提出一种基于深度学习的PCB缺陷识别算法。首先对参考图像与待测图像进行差分操作找出PCB缺陷区域,然后针对缺陷区域,设计了包括2个卷积层、2个下采样层和4个全连接层的卷积神经网络模型。将PCB缺陷图像批量归一化,选取ReLU作为激活函数,Maxpooling作为下采样方法,并使用Softmax回归分类器训练并优化卷积神经网络。该方法分别与目前生产线上常用的基于方向梯度直方图、尺度不变特征变换特征和支持向量机结合的识别方法进行了比对,实验结果表明,该方法的正确识别显着提高,对于10类PCB缺陷可以得到96.67%的识别准确率,具有较好的应用前景。(本文来源于《电子测量与仪器学报》期刊2019年08期）
姚明海,杨圳[4]（2019）在《基于轻量级卷积神经网络的实时缺陷检测方法研究》一文中研究指出应用机器视觉实现磁片表面缺陷的自动检测可以提高生产效率、降低生产成本;深度卷积神经网络具有高精度的分类性能,尤其在图像识别方面有显着的优点;但是目前提出的深度神经网络模型,由于参数量和计算量的巨大,在工业生产流水线上不能满足实时检测的需求;针对这个问题,基于深度可分离卷积和通道混洗,提出了一种轻量级高效低延时的卷积神经网络架构MagnetNets;为了评估MagnetNets网络模型的性能,将MagnetNets网络模型与MobileNets、ShuffleNet、Xception、MobileNetV2在公开数据集ImageNet中做了对比实验;然后将MagnetNets网络模型应用在磁片缺陷检测系统中进行缺陷检测;实验结果表明,提出的网络架构显着地减少参数数量,具有良好的性能;同时在磁片缺陷检测系统中减少了延时,提高检测速度,缺陷检测识别率达到了97.3%。(本文来源于《计算机测量与控制》期刊2019年06期）
姚明海,袁惠[5]（2019）在《基于优化卷积神经网络的表面缺陷检测》一文中研究指出卷积神经网络(CNN)具有权值数量少,训练速度快等优点,在图像识别、机器视觉等领域得到广泛应用。本文提出了一种卷积神经网络的自适应加权池化算法,算法通过生成合并通道,并在学习掩模的引导下汇集特征,优化了子采样模型的特征提取,有效改善了网络的识别准确性和快速性。利用该算法对磁片表面缺陷进行检测实验,实验结果表明,本文提出的池化模型使卷积神经网络对特征的提取更加精确,同时提高了收敛速度和鲁棒性,并且可以应用于各种深度神经网络体系结构中。(本文来源于《高技术通讯》期刊2019年06期）
王胜,吕林涛,杨宏才[6]（2019）在《卷积神经网络在印刷品缺陷检测的应用》一文中研究指出目的为了改善传统机器检测印刷产品缺陷存在误费率高的不足。方法提出以卷积神经网络为控制核心的印刷品缺陷检测系统。设计可在实际检测中应用的卷积神经网络,设计在线印刷质量检测系统的硬件结构。结果对结构相同而训练次数、学习率不同的卷积神经网络进行了缺陷检测的性能对比,验证了该卷积神经网络在学习率小于0.01时,可以获得较好的识别效果;在学习率大于0.05时,网络不容易收敛。网络训练次数越多,精度越高,相应的训练时间也较长。在满足快速性和精确度的条件下,确定了适应某印刷品的缺陷检验网络训练次数为50,学习率为0.005,此时的识别率为90%。结论经过实验证明,该检测系统具有良好的缺陷识别能力,缺陷类型的分类准确率较高。该系统具有一定的实用价值。(本文来源于《包装工程》期刊2019年11期）
刘天[7]（2019）在《基于改进RBF神经网络的工件表面缺陷检测研究》一文中研究指出金属工件表面纹理缺陷的识别与分类是21世纪工业自动化领域中的热点问题。金属工件表面的划痕、斑点、凹坑等缺陷,可能会造成组装后的机器使用寿命缩短、安全隐患等问题。为保证产品的质量,本文针对金属工件表面纹理缺陷的提取与分类方法展开了相关研究工作。本文在研究灰度共生矩阵算法提取缺陷特征的基础之上,分析了纹理缺陷的相关机理。针对纹理缺陷在图像中的灰度跳变信息,提出了灰度-梯度共生矩阵算法。该方法是将图像中纹理的梯度信息引入灰度共生矩阵,使其对于具有方向性的纹理可以从梯度的方向上反应出来。实验证明,基于灰度-梯度共生矩阵算法提取的缺陷特征可以更好的保留纹理的边缘、纹沟或者其他尖锐的纹理信息。为了提高纹理缺陷的分类精度,本文提出了改进的RBF神经网络分类算法。该方法利用粒子群算法优化RBF神经网络的基函数中心x_i、方差σ、输出权值ω,并对网络进行训练,从而改善标准RBF神经网络易出现的网络收敛慢和网络发散问题,并提高缺陷分类准确率。实验结果表明PSO改进的RBF神经网络相比标准RBF神经网络和BP神经网络分类方法提高了缺陷分类准确率,叁种缺陷特征的分类平均准确率高达94%。(本文来源于《长春工业大学》期刊2019-06-01）
刘娆[8]（2019）在《卷积神经网络在纺织品缺陷检测中的应用研究》一文中研究指出近年来,深度学习技术在语音识别、智能监控、人脸识别等方面取得了巨大的成功,卷积神经网络作为深度学习最主要的算法之一也逐渐被广泛应用在工业图像缺陷检测中。卷积神经网络用于织物缺陷检测主要有两种方法:一种是只对缺陷进行分类;另一种是既对缺陷类别进行判定同时也定位出缺陷位置。本课题以白坯布、色织物、复杂条纹织物为研究对象,分析了卷积神经网络在织物缺陷智能分类和检测上的应用价值。针对深度学习在实际应用场景中存在的样本获取困难和样本量少的问题,分析了如何利用深度学习方法有效地分类和检测织物缺陷。研究内容主要包括以下几个方面:(1)将迁移学习与卷积神经网络模型相结合。首先加载已经在百万数据集上预训练好的模型AlexNet和GoogLeNet,再利用已构建好的数据样本对预训练模型的参数进行微调,该方法在缩短训练时间和降低实验硬件要求的基础上极大地提高了训练的准确率。因为不同的卷积神经网络卷积层数不尽相同,这代表着它们的感受野也不同,于是在迁移学习的基础上将AlexNet与GoogLeNet提取的特征进行融合,最后加入SVM分类器进行缺陷分类。实验结果表明,采用特征融合加迁移学习的方法比单独应用AlexNet和GoogLeNet做迁移学习,识别准确率分别提升了4.8%和10%。(2)基于YOLOv3的色织物缺陷检测方法。为了能同时完成纺织品缺陷的分类和定位,使用YOLOv3网络进行色织物缺陷检测。与原始YOLO方法不同,该网络采用Darknet-53作为基础网络,基础网络的改进减轻了计算量方面的压力;分类器使用多个logistic分类器;同时增加多尺度预测,很好地解决了小目标检测中存在的检测精度低且效率不高等问题。实验结果表明,在两类色织物上进行测试后识别的平均准确率达到98.07%和97.18%。(3)织物缺陷检测平台的搭建。为了进一步将本文算法应用到实际的工业生产中,使用织物传动机构、光源、图像采集模块、工控机等,搭建织物缺陷检测平台,并结合文中的检测算法设计了一套完整的检测系统。最后对已经完成的工作进行总结,同时展望课题未来的发展趋势。本文共有图60幅,表15个,参考文献74篇。(本文来源于《西安工程大学》期刊2019-05-21）
张凌婕[9]（2019）在《深度神经网络在色织衬衫裁片缺陷检测中的研究与应用》一文中研究指出色织衬衫花型美观大方,是我国出口创汇能力最强的服装产品之一,每年为国家创汇60亿美元以上。但是,随着定制化和小批量市场需求的增长,大批量生产、小批量生产及定制化生产之间任意切换的柔性制造技术成为色织衬衫企业亟需解决的重大问题。其中,色织衬衫裁片缺陷自动检测是色织衬衫生产过程柔性制造问题的重要组成部分。色织衬衫裁片的缺陷严重影响色织衬衫的质量,但是目前尚缺少有效的裁片缺陷检测方法。本文利用深度卷积神经网络进行色织衬衫裁片缺陷检测算法的研究。利用经典卷积神经网络AlexNet和GoogLeNet进行了色织衬衫裁片花型分类预实验,证明了卷积神经网络提取花型特征的有效性,在此基础上进一步展开基于RetinaNet、Faster RCNN和YOLOv2的色织衬衫裁片缺陷检测算法模型。本文首先建立了一个大规模的色织衬衫裁片缺陷标记图像数据库;其次,以此数据集为基础,构建了基于RetinaNet、Faster RCNN和YOLOv2的深度卷积神经网络色织衬衫裁片缺陷检测的模型,从而进行色织衬衫裁片缺陷检测模型的训练和测试,最后,分别在GPU平台和嵌入式平台进行色织衬衫裁片缺陷检测模型的测试。研究内容主要包括以下几个方面:(1)针对传统图像特征工程和浅层机器学习方法对于色织衬衫裁片缺陷检测误检率较高的问题,本文建立了基于RetinaNet的色织衬衫裁片缺陷检测模型。该模型利用改进的交叉熵损失函数Focal Loss,并融合了深度残差网络模型结构。(2)针对带纱类缺陷检测精度较低的问题,提出了一种基于Faster RCNN网络模型的色织衬衫裁片缺陷检测算法。首先通过算法框架结合VGG16网络模型对色织衬衫裁片缺陷的特征进行提取,然后使用RPN区域生成网络预测候选区域,最后对候选区域进行检测与分类,最终模型提高了对带纱类缺陷的检测精度。(3)针对RetinaNet与Faster RCNN模型的实时性相对较低的问题,提出了一种基于改进的YOLOv2网络的色织衬衫裁片缺陷检测算法。该方法通过对初始模型的选择,训练数据的扩增,训练批量和裁片尺度的选择,特殊anchor box的生成,以及最终网络模型结构的调整,得到了一个适用于色织衬衫裁片缺陷检测的优化模型。该模型对色织衬衫裁片缺陷在检测性能上显着优于RetinaNet与Faster RCNN,色织衬衫裁片缺陷检测模型在GPU平台上均可实现缺陷的训练和实时检测,并将优化的YOLOv2色织衬衫裁片缺陷检测模型移植到NVIDIA JetsonTX2嵌入式AI硬件平台上,也获得了实时性较好的色织衬衫裁片缺陷检测实验结果,验证了色织衬衫裁片缺陷检测深度学习模型终端部署的可行性。(4)对已完成的研究工作进行总结,并对未来的课题发展进行展望。图27幅,表15个,参考文献53篇。(本文来源于《西安工程大学》期刊2019-05-21）
王超,刘玉婷,徐祥宇,张涛[10]（2019）在《基于卷积神经网络的磁瓦缺陷检测研究》一文中研究指出针对磁瓦缺陷种类多样性及无法准确描述其缺陷的问题,提出一种基于卷积神经网络的缺陷检测方法。构建缺陷类型的数据集,并对数据集中的图像进行预处理;设置卷积神经网络模型参数,训练缺陷分类器;通过训练结果完成对缺陷图像的识别并标注缺陷类型。实验结果表明,该方法检测的准确性和实时性均优于传统检测方法,具有非常好的鲁棒性,为工业生产的实际应用提供了可靠的依据。(本文来源于《大连民族大学学报》期刊2019年03期）
神经网络缺陷检测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
目的针对传统算法提取磁瓦表面缺陷的局限性,以及通过人为选择缺陷特征进而判断缺陷种类的方法精度不足等问题,结合改进的UNet模型和一个分类神经网络提出一种磁瓦缺陷检测识别算法。方法改进的UNet模型用于提取缺陷,而分类神经网络则用于对所提取的缺陷区域进行分类识别。为了提高模型的分类精度,使用空洞卷积对UNet模型部分卷积层和池化层进行替代,以减少多次池化带来的细节丢失的问题,同时,增加多次跳跃连接,使UNet模型能够融合更多的卷积特征。结果经实验验证表明,改进UNet模型对缺陷区域的预测精度可达到93%。根据预测结果使用分类神经网络对缺陷进行分类,经实验验证,分类的精度可达94%,满足工业要求。结论改进的UNet模型对磁瓦缺陷提取精度有所提高,分类神经网络的缺陷分类精度较高。结合改进的UNet模型和分类神经网络能同时并有效地实现缺陷提取和分类识别,为磁瓦质量检测和性能评估打下基础。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
神经网络缺陷检测论文参考文献
[1].周雯,史天运,李平,马小宁,杨凯.基于卷积神经网络的动车组行车安全图像缺陷检测与分割[J].铁道学报.2019
[2].刘畅,张剑,林建平.基于神经网络的磁瓦表面缺陷检测识别[J].表面技术.2019
[3].王永利,曹江涛,姬晓飞.基于卷积神经网络的PCB缺陷检测与识别算法[J].电子测量与仪器学报.2019
[4].姚明海,杨圳.基于轻量级卷积神经网络的实时缺陷检测方法研究[J].计算机测量与控制.2019
[5].姚明海,袁惠.基于优化卷积神经网络的表面缺陷检测[J].高技术通讯.2019
[6].王胜,吕林涛,杨宏才.卷积神经网络在印刷品缺陷检测的应用[J].包装工程.2019
[7].刘天.基于改进RBF神经网络的工件表面缺陷检测研究[D].长春工业大学.2019
[8].刘娆.卷积神经网络在纺织品缺陷检测中的应用研究[D].西安工程大学.2019
[9].张凌婕.深度神经网络在色织衬衫裁片缺陷检测中的研究与应用[D].西安工程大学.2019
[10].王超,刘玉婷,徐祥宇,张涛.基于卷积神经网络的磁瓦缺陷检测研究[J].大连民族大学学报.2019