硕士论文网/国内首批论文服务机构

当前位置:硕士论文网首页 > 计算机论文 > 基于计算机视觉的钢丝绳表面损伤诊断方法

基于计算机视觉的钢丝绳表面损伤诊断方法

时间:2020-12-05 15:17 | 栏目:计算机论文 | 浏览:

硕士论文网第2020-12-05期,本期硕士论文写作指导老师为大家分享一篇计算机论文文章《基于计算机视觉的钢丝绳表面损伤诊断方法》,供大家在写论文时进行参考。
  本篇论文是一篇计算机硕士论文范文,为了探究基于卷积神经网络钢丝绳表面损伤诊断方法,首先需要完成图像采集和数据集构建。合理的图像采集装置可以获得高质量的图像数据,提高方法识别效果。基于此,将介绍钢丝绳表面图像采集装置设计,并对影响图像采集质量的因素做一定探究。

  第一章  绪   论

  1.1  研究背景与意义
  随着社会经济和工业发展,钢丝绳在很多重要的领域如交通运输、矿山提升和旅游索道等都有着重要的应用。在钢丝绳使用过程中,不可避免的会对钢丝绳造成一定损伤。图 1-1 为使用过程中出现表面损伤的钢丝绳。如果出现损伤的钢丝绳长时间不加以检修,可能会造成严重的安全事故。例如,1990 年前苏联第比利斯登山索道钢丝绳断裂,造成 55 人伤亡。1999 年 10 月贵州马岭河客运索道大事故,死亡 14 人,受伤 22 人。在工程实践中,准确监控钢丝绳健康状况很有必要。由于缺乏有效的检测手段,很多部门对于钢丝绳的更换仍采用人工目测法等传统方法,这种方法检测效率很低,通常工业现场钢丝绳长度可达几百甚至几千米,检测花费时间长且工作强度大,检测的可靠性差。因此,针对钢丝绳开展无损检测是一个十分重要的研究课题,这能较好地避免上述问题。
出现表面损伤的钢丝绳
  1.2  本文内容的结构安排
  自 2010 年左右开始,深度学习有了较大发展,在诸多领域都取得了较大成功。目前,基于计算机视觉的钢丝绳表面损伤诊断中鲜有使用深度学习方法。基于此,本文将卷积神经网络引入钢丝绳表面损伤诊断中,并进行一定方法探究。第一章为绪论。本章首先介绍了钢丝绳表面损伤诊断的研究背景和研究意义。接下来介绍已有的钢丝绳表面损伤诊断方法,重点介绍基于计算机视觉的钢丝绳表面损伤诊断方法。之后介绍了目标检测方法国内外发展现状。目前,还没有学者提出适用于钢丝绳表面损伤诊断的目标检测方法,本章介绍的目标检测方法主要是计算机科学领域已经取得的成果。最后介绍了本文的论文结构安排。第二章为理论基础。本章首先介绍了卷积神经网络基础和卷积神经网络计算基本流程。为第四章介绍钢丝绳表面损伤模式识别方法提供理论支撑。接着介绍了YOLOv3 目标检测方法的网络结构和数据处理基本流程,为第五章介绍钢丝绳表面损伤目标检测方法提供理论支撑。第三章为钢丝绳表面图像采集及表面损伤实验。本章首先介绍了已有的计算机视觉的钢丝绳表面图像采集装置,在此基础上,结合实验条件,介绍了本文钢丝绳表面图像采集装置的设计结构。随后介绍了图像采集流程并分析影响图像采集质量的因素,为接下来设计钢丝绳表面图像采集装置或其他物体图像采集装置提供一定借鉴。第四章为钢丝绳表面损伤模式识别方法。本章首先介绍了本文提出的基于卷积神经网络的钢丝绳表面损伤模式识别方法,之后通过和几种基于人工特征提取的机器学习方法进行比较,证明本文提出的基于卷积神经网络的钢丝绳表面损伤分类方法具有一定优越性。最后,对本文方法结构进行一定程度讨论和探究。第五章为钢丝绳表面损伤目标检测方法。本章首先介绍了深度可分离卷积思想。接下来介绍对钢丝绳表面损伤数据进行图像标注的工具和标注方法。之后介绍本文提出的基于 YOLOv3 的钢丝绳表面损伤目标检测方法,并和 YOLOv3 方法进行对比实验。通过对比发现,本文方法更适合钢丝绳表面损伤目标检测。最后使用Intel 公司开发的 Open VINO 工具箱对本文方法进行 CPU 推断加速,更好地满足工业实际部署需要。第六章为总结与展望。本章主要对全文的内容进行总结,并讨论分析本文研究的不足之处和未来可能存在的改进方向。

  第二章  理论基础

  2.1  引   言
  本章对全文理论基础做简要介绍,为接下来本文提出的基于卷积神经网络的钢丝绳表面损伤模式识别方法和钢丝绳表面目标检测方法提供理论支撑。本章的组织结构如下。2.2 节介绍介绍 CNN 的基本概念和神经网络训练的基本步骤。2.3 节介绍了 YOLOv3 目标检测方法的网络结构和数据处理基本流程。2.4节对本章内容进行总结。CNN 是神经网络中的一种,是深度学习的代表算法之一。卷积神经网络最大的特点是使用卷积运算,因为其具有局部不变性的特点,所以通常应用于图像识别相关问题中。一般卷积神经网络由卷积层、池化层以及全连接层组合而成,使用反向传播方法进行训练。卷积层对于图片的学习任务主要是由卷积核来实现,通过控制卷积核的大小和步长控制输入映射到输出映射的变换。卷积核中的权重和偏差的初始值通常使用随机初始化方法获得。在训练过程中,通过反向传播来学习这些权重和偏差值。步长定义了在输入图像中对卷积核一次滑移多少个像素,步长是可以设置的超参数。将步长设置的较小会有一个较大的感受野,这样能保留更多输入图像的特征信息。然而,这会导致输出尺寸较大,增大计算开销。图 2-1 展示了滑移窗口在卷积层中运算过程。
滑移窗口在卷积层中运算过程示例
  图 2-1 中,在输入部分中,红色的方框表示滑移窗口,黄色的填充框是上一个滑移窗口所在的位置。滑移窗口所滑过的数据与卷积核进行卷积运算。卷积层中的卷积运算是指滑移窗口和卷积核所对应的数据相乘并相加。经过卷积之后相应的数据加上偏置向量作为最后的输出数据。为了方便演示,将图中的偏置向量的值设置为 0。卷积核中的权重数据和偏置向量是 CNN 方法学习调整的参数。池化层主要通过对输入图像下采样来减少输入图像的尺寸。通常有两种方式来进行池化处理,分别是平均池化和最大池化。对于一个在图像上的滑移窗口而言,最大池化就是取这个滑移窗口的最大值,平均池化就是取这个滑移窗口的所有值的平均值。池化运算使用 2×2 的滑移窗口,对输入数据进行处理。图中输入部分,红色方框是滑移窗口,黄色的填充框是上一个滑移窗口所在的位置。每一个滑移窗口中的最大值作为一个输出,所有输出元素组合在一起构成整体输出。Scherer 等证明采用最大池化的方式处理图像要比平均池化的策略效果更好,因此,本文中所有池化层的处理方式均采用最大池化策略。全连接层主要由多个非线性激活函数的神经元组成,该层主要作用是对卷积层获取的局部特征进行权重组合。卷积层和池化层均采用滑移窗口策略,每个卷积核都只能获取图像的一个局部特征。然而,对图像识别而言,只有局部特征没有办法进行整体分类判断,为获取整体特征信息,需要全连接层进行局部特征权重组合。对于卷积神经网络,一般使用反向传播方法对其进行训练。神经网络训练过程就是对网络中神经元权重调整过程。当训练结束之后,就不会再对网络神经元权重进行调整。反向传播方法利用微积分的链式法则进行计算,通过从输入节点到输出节点的各种路径上的局部梯度乘积之和来计算总体梯度误差。反向传播方法包含两个主要阶段,分别称为前向传播和反向传播。
  2.2  YOLOv3 方法
  YOLOv3 方法使用的特征提取网络主体为 Dark Net53 网络,该网络一共包含 53 个卷积层,没有池化层,而是使用步长为 2 的卷积核对特征图进行下采样。不使用池化层可以从一定程度上防止池化操作导致的特征信息丢失。当输入图片尺寸为 256×256 的时候,Dark Net53 网络结构详细信息如图 2-4 所示。图 2-4 中Convolution 是卷积层,Residual 是残差模块。最左侧的 1、2、8、4 是残差模块的数量。特征提取网络会生成三种不同尺寸的特征图,每一个特征图的都按照网格进行划分,比如 13×13 尺寸的特征图就可以划分成 192 个网格,每一个网格会生成 3个预先指定大小尺寸的候选框,对于这种预先指定大小的候选框称之为锚框。使用锚框的目的是为了对网络预测物体的坐标位置信息进行一定程度约束,这样不仅能实现多尺度检测,还能帮助模型更快收敛。目标置信度是该网格中是否包含物体的概率。候选框坐标是网络预测图片中物体所在的位置坐标,其中 ˆxt 和 ˆyt 是相对于网格左上角坐标的偏移值, ˆwt 和 ˆht 是预测物体的宽和高。类别置信度是网格中物体所属类别的概率,只有当类别置信度大于阈值的时候,即网络认为该网格中包含物体时,类别置信度才有意义。为了能让网络输出的候选框坐标能够参考到锚框的先验信息,在模型训练阶段和模型推断阶段,都需要通过坐标变换来对网络输出的候选框坐标进行约束。在模型训练阶段,图像中物体的真实位置信息并不是直接输入模型用于训练,而是首先经过比例缩放到和特征图一样大小的尺寸之后,经过坐标转换后再用于模型训练。

  第三章  钢丝绳表面图像采集及表面损伤实验

  3.1  引   言
  3.2  表面图像采集装置
  3.3  表面损伤实验
  3.4  本章小结

  第四章  钢丝绳表面损伤模式识别方法

  4.1  引   言
  4.2  基于卷积神经网络的钢丝绳表面损伤模式识别方法
  4.3  实验验证
  4.4  本章小结

  第五章  钢丝绳表面损伤目标检测方法

  5.1  引   言
  5.2  深度可分离卷积思想
  5.3  基于 YOLOv3 的钢丝绳表面损伤目标检测方法
  5.4  实验验证
  5.5  本章小结

  第六章  总结与展望

  本文首先介绍钢丝绳表面损伤诊断研究背景和研究意义,接着阐述国内外关于钢丝绳表面损伤诊断研究现状和研究方法,其中重点介绍基于计算机视觉的钢丝绳表面损伤诊断方法。深度学习方法自 2010 年以来取得重大突破,在诸多领域特别是图像识别领域有着广泛应用。近年来,基于深度学习的表面损伤诊断方法已经在诸多无损检测领域中取得一定成果。相比于传统机器学习方法,使用深度学习方法效果更好。经过调研发现,目前鲜有学者将深度学习引入基于计算机视觉的钢丝绳表面损伤诊断。基于此,本文将卷积神经网络引入钢丝绳表面损伤诊断,进行一定程度探究。本文主要研究成果以及结论介绍如下。(1)提出了一种钢丝绳表面图像采集装置设计方式。使用滑块导轨装置对不同尺寸的钢丝绳进行图像采集。使用间隔 60 度角带漫反射板的条形光源,减少钢丝绳表面反光对损伤识别的影响。使用套筒装置起到稳定钢丝绳和提高成像质量的效果。此外还分析影响图像采集质量的三点因素。针对钢丝绳在移动过程中发生晃动现象,使用类似套筒结构稳定钢丝绳。针对拍摄移动物体时发生拖影现象,使用全局快门曝光的方式避免发生拖影。针对拍摄时发生漏采现象,使用高速相机来提高拍照速度,降低漏拍现象发生。(2)针对钢丝绳表面损伤模式识别问题,传统基于人工特征提取的机器学习方法存在依赖大量先验知识和模型适应性差等问题,因此本文提出了一种基于卷积神经网络的钢丝绳表面损伤模式识别方法。该方法很好地识别正常、表面断丝和表面磨损这三种模式。通过对比四种不同的传统机器学习方法发现,本文方法检测效果优于传统机器学习方法。同时,本文还分析卷积神经网络结构设计中不同卷积层、池化层和全连接层深度对最终分类效果的影响,发现了在设计基于卷积神经网络的模式识别方法时,不宜增加过多全连接层,并且增加过多卷积层和池化层不会提高模型识别效果。(3)针对钢丝绳表面损伤目标检测问题,基于现有文献调研,目前尚未有学者将钢丝绳目标检测方法应用于钢丝绳表面损伤诊断,因此本文提出了一种基于YOLOv3 的钢丝绳表面损伤目标检测方法。该方法很好地识别钢丝绳图像中表面断丝的位置区域和表面磨损的位置区域。相比于 YOLOv3 方法,本文方法模型参数更少、运算速度更快,并且在钢丝绳表面损伤目标检测中检测效果更好。同时,为了进一步适应工业实际部署需要,本文使用 Intel 公司开发的 Open VINO 工具箱对模型进行推断加速,通过使用 Open VINO 工具箱,使得模型在 CPU 上推断速度提高大致 5 倍,更好的适应工业实际部署。虽然本文在钢丝绳表面损伤诊断中做出了不少工作,分别提出了一种基于卷积神经网络的模式识别方法和目标检测方法,但是在图像采集和方法设计方面仍有很多改进的地方。(1)限于实验条件有限,本文只使用 4 米长的钢丝绳进行表面损伤处理和图像采集,采集到的损伤类型和表面损伤差异程度相对较小,用于训练的图像数据丰富程度不够,在更复杂的场景中使用本文方法可能检测效果会下降。另外,本文方法没有做损伤程度定量的判别。未来,可以考虑采集更为丰富和差异程度更高的钢丝绳表面损伤图像数据,同时,根据钢丝绳表面损伤程度进行定量研究,设计出更好的方法。(2)本文方法都没有经过工业实际部署。为了能在 CPU 或者嵌入式系统中高效运行卷积神经网络方法,可能需要对方法结构进行一定调整,可以考虑利用模型压缩方法和模型剪枝方法进一步减小模型参数大小,提高模型的运算速度。(3)不同钢丝绳表面损伤诊断方法有不同的优缺点,如基于漏磁检测的钢丝绳表面损伤诊断方法可以不受钢丝绳表面油污等的影响,却存在检测结果受提离值影响较为显著的问题。基于计算机视觉的钢丝绳表面损伤诊断方法虽然结果不会受提离值的影响,但是钢丝绳表面油污会影响检测精度。本文只是探究基于计算机视觉的钢丝绳表面损伤诊断方法,如何和其他钢丝绳表面损伤诊断方法结合,以获得更加可靠的识别效果,是未来可以探究的一个方向。

以上论文内容是由硕士论文网为您提供的关于《基于计算机视觉的钢丝绳表面损伤诊断方法》的内容,如需查看更多硕士毕业论文范文,查找硕士论文、博士论文、研究生论文参考资料,欢迎访问硕士论文网计算机论文栏目。