基于深度学习的囊体漏点检测

• 作 者: 张博超
• 出 处: 哈尔滨工业大学
• 发表日期: 2004年期
• 关键词: 漏气点 目标检测 神经网络 深度学习

囊体是许多设备的重要组成部件,其气密性的好坏更是所属设备的关键指标,涂抹法检测囊体漏气点可以直观地看到漏点位置,但使用人工观察需要的时间和人工成本均较高,但长时间人工检测可能存在一定的漏检。近年来,深度学习随着卷积神经网络的提出和计算机算力的大幅提升得到飞跃式发展,在目标检测领域也逐渐凸显其优势地位。本课题以基于深度学习的目标检测方法为基础,将其应用于囊体漏气点检测场景进行分析研究,从多个角度探讨网络设计理论,并设计了可以实现对囊体漏点进行快速且精准检测的目标检测网络。首先,本课题从数据开始,对数据进行采集、筛选、标定,构建了囊体漏气点检测的数据集,并将数据划分为训练集和验证集用于目标检测网络的训练和评估。为了同时满足检测均值平均准确率、召回率和检测速度三项指标,本课题针对于目标检测使用的基网络的基础模块、连接方式、整体构架进行了分析,同时使用同一目标检测算法仅改变基网络的情况下进行了训练和验证并由此分析了各个基网络的特性,以便设计适合囊体漏气点检测的网络。此外,本课题对基于不同设计理念的目标检测算法进行了分析,主要选取了速度快的一步检测算法、泛化性强的两步检测算法和新兴的基于关键点的检测算法,在进行对比实验后本课题认为两步检测网络的性能更佳。本课题还考虑到数据集规模过小对目标检测网络的限制,设计了多种样本增广方式扩充训练集以提高目标检测器的检测精度和泛化能力。最后,本课题根据之前的实验结果和囊体漏气检测的特点设计了具有快速检测能力的目标检测网络,加快速度的同时使均值平均精度、召回率、检测速度达到课题要求。