基于深度学习的汽车冲压件缺陷预测

摘要

随着我国汽车工业的迅猛发展，汽车冲压件的需求与日俱增。汽车冲压件是车身的基本构成，对表面品质要求较高。所以能否生产高质量的冲压件关系到整车的质量。在产品早期设计中，传统方法无法实现实时预测产品缺陷，而这就使得产品在后续设计和加工中出现缺陷的概率猛增。而深度学习的方法却可以在产品早期设计成形性分析中实现对产品缺陷实时预测，从而可以真正做到降低产品缺陷的概率。 在深度学习中，由于卷积神经网络（CNN）具有类似人脑的视觉处理机制和无需进行复杂的图像前期预处理的特点，所以在目标检测和模式分类领域中有很大的性能优势。针对产品早期设计成形性分析，本文提出了一种基于Faster R-CNN的汽车冲压件缺陷实时预测的方法。 目前国内外并没有关于汽车冲压件缺陷预测的公开数据集，所以本文首先构造冲压件数据集，数据集主要包括KMAS/One-step计算的冲压件厚度云图，冲压件高斯曲率云图和利用厚度云图生成的标签文件三部分，各计5985张。使用冲压件高斯曲率云图和标签文件作为Faster R-CNN的训练集，验证集和测试集。利用数据集对文献中的模型完成训练和测试，测试结果表明Faster R-CNN对冲压件缺陷预测平均准确率均值（mAP）仅为56.2%。针对网络模型准确率较低，本文选取了ResNet-101作为Faster R-CNN的特征提取网络，并提出一种改变锚框尺寸的解决方案。最终测试结果表明该方案对汽车冲压件的缺陷预测平均准确率均值（mAP）达到了67.19%，其中破裂准确率（AP）达到76.12%，褶皱准确率（AP）为61.25%,从而证明了该方案有效的提高了网络模型的准确率。最后利用训练好的Faster R-CNN（ResNet-101）模型对视频中的冲压件进行了缺陷实时性预测，解决了冲压件缺陷难以进行实时预测的难题。

目录

第一个书签之前