基于深度学习的白车身焊点检测方法研究

摘要

在汽车生产制造中，白车身的常见连接方式为焊接，其中点焊是一种应用最为广泛的焊接工艺。焊点的质量对于白车身的安全性能有着至关重要的影响，因此在白车身的生产过程中需要实时的检测焊点的质量。目前在生产车间对于焊点质量的检测大多是由人工检查，这样费时费力且不能实时反映白车身焊点的质量情况，因此需要自动化的焊点质量检测方法。由于白车身的生产过程中会出现焊点位置与原定的焊接位置出现偏差的情况，所以我们研究了基于计算机视觉的白车身焊点检测方法以获取焊点的位置信息。本文的主要工作如下：　　(1)本文设计了传统图像处理的方法对白车身焊点进行检测，其主要过程包括图像灰度化处理、中值滤波、Canny边缘检测、霍夫圆检测。并且采集生产车间的实际焊点图像进行了实验，分析了传统图像处理方法的局限性。　　(2)为了解决传统图像处理方法的局限性，本文研究了基于深度学习的白车身焊点检测方法。考虑到生产车间的硬件设施和对于检测速度的要求及焊点特征选取了YOLOv2作为基础的焊点检测算法。在生产车间采集焊点照片建立焊点检测数据集并且通过K-Means算法进行锚框聚类得到适应于白车身焊点检测的锚框，之后对数据集进行训练测试，发现采用YOLOv2算法在白车身焊点检测中具有良好的效果，在测试集上，检测精度AP@[.5,.95]达到了72.75%，AP@.5达到了99.27%，AP@.75达到了90.51%，每张焊点图片的检测时间为0.0452s。　　(3)为了进一步加快检测速度，提升检测精度本文通过深度分离卷积、特征融合、GIoU损失、CIoU损失对YOLOv2算法进行了改进提出了FCM_YOLO焊点检测方法。该方法相比原YOLOv2在焊点数据集上检测精度AP@[.5,.95]提升了2.69%，AP@.5提升了0.49%，AP@.75提升4.58%，检测速度是原来的2倍。相比传统图像处理方法，本文所提出的FCM_YOLO焊点检测方法更能适用于光照环境复杂的生产车间。

目录

声明

第1章 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 传统目标检测算法

1.2.2 基于深度学习的目标检测算法

1.2.3 焊点检测算法

1.3 论文主要内容与章节安排

第2章 深度学习理论

2.1 人工神经网络

2.1.1 神经元

2.1.2 感知机

2.1.3 多层神经网络

2.1.4 激活函数

2.1.5 优化算法

2.2 卷积神经网络

2.3 常见的卷积神经网络

2.3.1 LeNet-5 卷积神经网络

2.3.2 AlexNet 卷积神经网络

2.3.3 VGG 卷积神经网络

2.3.4 Inception 系列

2.3.5 ResNet 卷积神经网络

2.3.6 DenseNet 卷积神经网络

2.4 目标检测算法常用概念及评价指标

2.5 本章小结

第3章 基于传统图像处理的白车身焊点检测方法

3.1 焊点图像预处理

3.1.1 图像灰度化

3.1.2 图像滤波

3.1.3 边缘提取算法

3.2 基于霍夫圆变换的焊点定位

3.3 本章小结

第4章 基于 YOLO 的焊点检测算法

4.1 YOLO 目标检测算法

4.1.1 YOLOv1

4.1.2 YOLOv2

4.1.3 YOLOv3

4.2 白车身焊点数据集

4.2.1 数据集制作

4.2.2 K-means 候选框聚类

4.3 YOLOv2 改进方法

4.3.1 卷积结构改进

4.3.2 损失函数改进

4.4 改进方法的检测结果及对比分析

4.5 本章小结

总结与展望

1 研究总结

2 课题展望

参考文献

附录 A 攻读学位期间所发表的学术论文目录

致 谢