基于卷积神经网络的矽钢片缺陷分类与定位研究

摘要

随着高压电力传输的需求日益增加，作为许多电力设备铁芯材料的矽钢片的质量要求也在不断提高，尽管生产工艺技术的不断发展，以及工厂管理的不断合理化对于缺陷的控制已经比较完善，但依旧会产生许多缺陷问题，因此对矽钢片的缺陷检测变得十分关键。这便需要一种检测效率高的矽钢片缺陷分类与定位系统，本文进行了基于卷积神经网络的矽钢片缺陷分类与定位的相关研究。卷积神经网络(Convolution Neural Network，CNN)作为一种二维网络模型，利用卷积核与图像像素进行卷积运算，从而将输入的图像数据转化为便于处理的二维数据提取到图像的相关特征。而以卷积神经网络为基础的R-CNN(Regions with CNN Features)模型则利用选择性搜索等算法来实现对目标的精确定位。
　　本论文首先针对矽钢片的缺陷特征进行了分析，对缺陷分类与白点定位模型的整体设计结构进行了概括。解释说明了卷积神经网络在图像分类中的方法，以及神经网络的组成。阐述了卷积神经网络在图像分类方面的特点和优势，以及相较于传统图像分类的不同之处。分析了R-CNN在目标定位中的方法和流程，明确了白点定位模型的设计思路。进而针对缺陷分类与定位模型的网络设计和结构优化两个方面进行研究。网络层的结构和参数会很大程度的影响模型的分类准确度，在分析卷积神经网络的相关算法及理论后，为了深入的研究缺陷分类与定位模型网络的优化方式，分别对网络设计所用到的相关方法进行测试比较，以保证结构最优。完成网络每一层的设计后，采用Caffe框架编写训练程序和网络文件，利用线阵相机所采集的矽钢片图像进行缺陷分类模型的训练与测试，并对模型训练时的特征提取过程进行可视化处理。在完成缺陷分类的研究后，对设计的缺陷分类模型加以改进从而设计一个基于R-CNN的白点定位模型，使用缺陷分类模型所判断出的缺陷图像制作训练集对R-CNN定位模型进行训练与测试，完成对矽钢片缺陷的定位，然后针对测试结果进行分析和总结。
　　文章通过对矽钢片缺陷特征的分析进行网络设计和结构优化，并对结构优化的相关方法进行测试比较与特征图可视化，实现模型训练与测试的相关研究，说明CNN与R-CNN能够满足工业生产上的矽钢片缺陷分类与白点定位任务，也表明卷积神经网络对于矽钢片缺陷检测技术相关领域具有良好的适用性。

目录

声明

摘要

第1章 引言

1．1 课题研究背景及意义

1．2 国内外研究现状

1．3 本论文的主要工作

1．4 本论文的结构与安排

第2章 矽钢片缺陷分类与定位系统

2．1 矽钢片的缺陷特征与分类

2．2 矽钢片缺陷分类与定位系统整体结构

2．3 矽钢片缺陷分类模型

2．3．1 缺陷分类模型的设计结构

2．3．2 缺陷分类模型的设计流程

2．4 矽钢片白点定位模型

2．4．1 白点定位模型的设计结构

2．4．2 白点定位模型的设计流程

2．5 本章小结

第3章 卷积神经网络在图像分类中的方法

3．1 神经网络

3．1．1 神经网络的结构

3．1．2 神经元

3．1．3 激活函数

3．2 卷积神经网络的架构

3．3 反向传播与输出分类

3．2．1 反向传播算法

3．2．2 Logistic回归

3．2．3 Soflmax分类

3．4 特征处理方法

3．4．1 卷积

3．4．2 局部感知

3．4．3 权值共享

3．4．4 多卷积核

3．4．5 池化

3．5 卷积神经网络与传统图像分类对比

3．6 本章小结

第4章 R-CNN在目标定位中的方法

4．1 R-CNN目标定位的流程结构

4．2 候选区域推荐

4．2．1 相似度的计算

4．3 卷积神经网络特征提取

4．4 类别判断

4．4．1 支持向量机

4．5 位置精确

4．6 R-CNN的方法改进

4．7 本章小结

第5章 矽钢片缺陷分类与定位模型的设计与实现

5．1 矽钢片缺陷分类模型的设计

5．1．1 数据输入层的设计

5．1．2 卷积层的设计

5．1．3 全连接层的设计

5．1．4 输出分类层的设计

5．1．5 网络结构与参数优化

5．2 深度学习框架Caffe

5．2．1 Caffc的简介

5．2．2 Caffe的三级结构

5．3 矽钢片缺陷分类模型的实现

5．3．1 矽钢片缺陷分类模型的训练

5．3．2 矽钢片缺陷分类模型的测试

5．3．3 特征图可视化

5．4 矽钢片白点定位模型的实现

5．4．1 矽钢片白点定位模型的训练

5．4．2 矽钢片白点定位模型的测试

5．5 本章小结

结论

致谢

参考文献

攻读学位期间取得学术成果