毕业设计

您所在的位置：网站首页 › 轮胎修补机器 › 毕业设计

毕业设计

2024-07-04 06:44| 来源: 网络整理| 查看: 265

前言

课题背景和意义

实现技术思路

一、基于深度学习的目标检测技术及研究

二、基于主成分残差逆变换的轮胎 X 射线图像缺陷检测方法

三、基于独立成分分析的轮胎缺陷特征提取及分类方法的研究

四、深度卷积神经网络技术

实现效果图样例

最后

前言

📅大四是整个大学期间最忙碌的时光,一边要忙着备考或实习为毕业后面临的就业升学做准备,一边要为毕业设计耗费大量精力。近几年各个学校要求的毕设项目越来越难,有不少课题是研究生级别难度的,对本科同学来说是充满挑战。为帮助大家顺利通过和节省时间与精力投入到更重要的就业和考试中去,学长分享优质的选题经验和毕设项目与技术思路。

🚀对毕设有任何疑问都可以问学长哦!

选题指导: https://blog.csdn.net/qq_37340229/article/details/128243277

大家好,这里是海浪学长毕设专题,本次分享的课题是

🎯基于深度学习的轮胎缺陷无损检测

课题背景和意义随着汽车行业快速发展及汽车保有量的持续增长，大大增加了对轮胎的需求，而轮胎质量在很大程度上决定了轮胎的使用寿命，也是在行驶过程中对人们生命财产安全的保障，同时对轮胎进行在线质量检测也便于轮胎生产企业及时发现生产线中存在的不合格产品，以此来调整机械设备甚至轮胎的生产工艺，避免造成生产材料的浪费。因此，检测轮胎质量是轮胎生产过程中必不可缺少的一部分，对轮胎工业的发展和道路交通安全有着重要的研究和经济意义。目前国内外学者在诸多工业应用领域提出了许多无损缺陷检测技术，而基于 X 射线的轮胎无损缺陷检测技术在轮胎工业中得到了快速的发展并取得了优异的成果。但是，由于轮胎 X 射线图像的复杂多纹理结构以及轮胎缺陷的多样性，轮胎无损检测方法的研究仍然是从业者及科研人员的一个极大挑战性的研讨课题。以X 射线图像为检测对象，利用图像分析、模式识别和深度学习等技术，实现一个真正意义上端到端的轮胎无损自动缺陷检测及分类方法。实现技术思路一、基于深度学习的目标检测技术及研究目前主流的轮胎检测手段是利用 X 射线对轮胎进行成像；然后通过人工目测每张 X 射线图像的方式来判断轮胎内部是否存在缺陷或通过轮胎检测软件自动检测缺陷并给出缺陷类别。依据分析的每种缺陷特点选择相应算法进行图像特征提取、缺陷检测与分类。

传统目标检测算法传统目标检测的方法又称为滑动窗口框架的目标检测，主要分为三部分：首先利用不同尺寸的滑动窗口选择目标的多个候选区域，然后对这些候选区域进行提取特征，最后利用分类器进行分类。

基于深度学习区域提名的目标检测算法

基于区域提名 (Region Proposal ) 深度学习的目标检测主要分为两步： 1 ）确定候选区域即区域提名，2 ）对候选区域进行图像分类（特征提取 + 分类）。借助于深度学习算法，提出了突破性的AlexNet 网络结构，将图像特征的提取、筛选和分类三个模块集成于一体，设计5 层卷积层加 3 层全连接层的深度卷积神经网络结构，逐层对图像信息进行不同方向的挖掘提取。2014年，使用区域提名策略和卷积神经网络特征提取算法设计了 R-CNN 目标检测框架。

二、基于主成分残差逆变换的轮胎 X 射线图像缺陷检测方法主成分分析（PCA）方法主成分分析（ Principle Component Analysis, 简称 PCA ）法是一种数据统计分析技术，研究如何用少数几个主成分来解释诸多变量的方差---- 协方差结构。 1）PCA 的数学表示给定 n 维空间的随机向量，为了消除不同变量之间不同量纲的影响，需对随机向量进行零均值处理即：

2）特征值求解 PCA 特征值求解的步骤如下： (1) 将原始数据表示为 n×m 的矩阵。 n 为原始数据的个数， m 为变量个数。 (2) 计算原始数据的均值。 (3) 用原始数据减去均值，得到矩阵 x 。 (4) 对 XX 进行特征值分解，求特征向量及其对应的特征值。 (5) 选取最大的若干个特征值和其相对应的特征向量，即为求得的主成分。

主成分分析在轮胎缺陷检测中的算法设计

1）主成分分析的图像重构 PCA 将统计相关的图像元素转换成独立的权重向量，并通过给定数据和有序加权向量的线性组合来表示主成分。PCA 的基本思想是将统计相关的高维图像矩阵 X 通过线性变换投影到相互独立且正交的低维向量空间 w ，高维图像投影后的主成分特征向量 Y 可表示为给定图像与正交投影向量 w 的线性组合。PCA 所形成的线性变换公式：

其中 Y是一组 n 个互不相关主成分的行向量。 W 为投影矩阵， wij 代表第 i 个主成分上第 j 个分量的权重，且其列向量是相互正交的。

2）基于主成分残差逆变换的缺陷检测算法

大小为 n × m图像 X 缺陷检测过程，被称为主成分残差逆变换。

三、基于独立成分分析的轮胎缺陷特征提取及分类方法的研究

基于独立成分分析的轮胎缺陷特征提取方法

特征提取与选择是模式识别的关键问题之一，特征提取与选择方法的优劣直接影响图像识别的性能。首先通过无监督学习轮胎缺陷集来自适应地估计 ICA 和 TICA 的基函数和相应的滤波器，然后通过滤波器对缺陷图像进行滤波，获得的滤波响应值作为表述缺陷的特征，再用支持向量机（SVM）对缺陷进行分类。独立成分分析技术及算法实现独立成分分析是为解决鸡尾酒会问题而引申出来的，用于从随机线性混合的观测信号中恢复出各独立源信号。鸡尾酒会问题就是假设有 n 个人在 party 中同时讲话，n 个麦克风放置在房间的各个角落用于记录声音，每个麦克风记录的是 n 个人声音的混合信号。

其中 A 表示一个未知的混合矩阵，在未知矩阵 A 的情况下，反解出 S，其中 W 是 A 的逆矩阵，Y 是反解出的 S。

拓扑独立成分分析技术及算法实现有些情况下数据确实存在不独立性，如图像数据，由于图像块间存在一定程度的依赖关系，使估计的成分通常不完全独立。对于这种情况，放宽源信号的独立性假设条件，引入成分间的拓扑关系，使用TICA 模型。按照 TICA 模型的定义，相距较远的成分仍然是相互独立的或者是近似独立的。所谓高阶相关又称能量相关，拓扑结构中相邻成分 S i 和 S j 间的能量相关定义公式如下：

TICA 成分 si 的拓扑顺序由邻域函数来定义，相邻成分在高阶意义上相关，不相邻成分间是独立的或近似独立的。成分si 被建模为：

基函数与滤波器估计

为了更好地挖掘隐藏在自然图像的本质特性，通常采用线性变换的图像处理方法将图像从空间域转换到变换域使隐含的潜在特征突显出来，即用一组基函数a 的线性叠加组合表示图像 I ，其变换公式如下：

其中， s i 是投影系数，即为图像在基函数空间的投影系数。在独立性假设的条件下， a 来自一个可逆的线性系统，我们可以对基函数 a 求逆：

为了提取高质量的缺陷特征，通过无监督学习轮胎缺陷样本的方式自动估计出与轮胎缺陷图像相关的基函数，此基函数自适应强。其中，基函数的维数随降维后维数的改变而改变。

轮胎缺陷图像特征提取

由于轮胎缺陷的不确定性和特征表现的复杂性，如对缺陷图像做傅里叶变换等，其相位表现出较大的差异，而且在轮胎中内部缺陷的分布也具有较大的随机性致使缺陷出现的位置不同，这在杂质、气泡、劈缝等轮缺陷中表现的格外突出，增添了缺陷分类的难度。因此，为了提高分类正确率，就需要提取高质量的特征，所以我们不但要提取 TICA 滤波器的线性响应特征，还要提取具有旋转、平移、缩放不变性的非线性响应特征，其响应值即为提取的缺陷图像特征。

TICA 邻域滤波器的响应 ei 则是非线性的，它是邻域内滤波器响应的能量值总和。

四、深度卷积神经网络技术

CNN 的基本组成部分

典型 CNN 主要由输入层、卷积层、池化层、全连接层及输出层五部分构成。一般会有若干个卷积层和池化层，并且卷积层和池化层大多是交替出现，即一个卷积层连接一个池化层，池化后再连接一个卷积层依此类推。

CNN 的工作原理

CNN 的工作过程可以分为网络模型构建、网络训练以及网络预测三个部分；（1）网络模型构建。构建网络模型时需要考虑输入数据量的大小以及数据本身的特性来确定网络的深度和网络每层的激励函数、卷积、池化层的步长等。(2) 网络训练。卷积神经网络是利用已有的训练样本，通过误差的反向传播(3) 网络的预测。CNN 的预测分类过程就是通过对输入数据进行逐层前向传播，并在网络的各个层上输出不同描述级别的特征图，最后通过全连接网络的softmax 层输出基于输入数据所属类别的条件概率分布的过程。

迁移学习和微调深度卷积神经网络

将开发 AlexNet 网络模型，其动机是为了得到一个正确率更高同时又在计算成本上更廉价的计算架构。AlexNet 本身比 LeNet 具有网络增大（5 个卷积层+3 个全连接层），同时能够缓解过拟合。

轮胎缺陷图像特征提取及分类

每层卷积核相当于自学习得到的滤波器可以提取出某些有意义的特征，可以提取边缘、角等信息。优于 Gabor 滤波器，卷积核是依据输入的数据集自学习而获得的，能够适应图像的变化，提取的特征更能表征轮胎的缺陷信息。

实现效果图样例

轮胎缺陷图像各种对比度归一化前后对比：

我是海浪学长,创作不易,欢迎点赞、关注、收藏、留言。

毕设帮助，疑难解答，欢迎打扰！

最后

【本文地址】

公司简介

联系我们