跳到主要內容

臺灣博碩士論文加值系統

(44.222.64.76) 您好!臺灣時間:2024/06/14 07:47
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:謝安智
研究生(外文):HSIEH, AN-CHIH
論文名稱:基於Yolo物件辨識技術之電纜表面瑕疵檢測
論文名稱(外文):Cable Surface Defect Detection Based on Yolo Object Identification Technology
指導教授:陸元平
指導教授(外文):LUH, YUAN-PING
口試委員:陸元平瞿志行尤鴻威王振邦
口試委員(外文):LUH, YUAN-PINGCHU, CHIH-HSINGIAO, HONG-WAIWANG, JHEG-BANG
口試日期:2021-07-17
學位類別:碩士
校院名稱:國立臺北科技大學
系所名稱:機械工程系機電整合碩士班
學門:工程學門
學類:機械工程學類
論文種類:學術論文
論文出版年:2021
畢業學年度:109
語文別:中文
論文頁數:72
中文關鍵詞:你只需要看一次電纜瑕疵檢測自動化光學檢測
外文關鍵詞:You only look onceCableDefect detectionAOI
相關次數:
  • 被引用被引用:0
  • 點閱點閱:357
  • 評分評分:
  • 下載下載:1
  • 收藏至我的研究室書目清單書目收藏:1
傳統電纜表面瑕疵檢測,倚賴現場人員利用人眼與配合光學儀器打光進行判斷,然而由於現場人員判斷標準不同,時常發生誤判瑕疵的問題,近年來轉型改使用自動化光學檢測進行檢測,但是在辨別表面瑕疵時,時常將附著在表面的灰塵判別為瑕疵造成誤判,本研究使用YOLO物件辨別技術,利用具有檢測框的優點,能夠直接地顯示瑕疵所在位置,並且訓練完成的權重能夠得到優質的瑕疵特徵辨識結果,以解決工廠檢測時,灰塵誤判的問題,並且比較模型效能指標,用以評估本研究所訓練出的YOLO分類模型效能,並且利用k-fold交叉驗證方法加以評估模型效能指標是否可靠,最後本研究之YOLO模型查準率達到0.95、查全率達到0.92且對於電纜瑕疵的mAP可達到94.39%,其辨識每張圖片之速度為3.19±0.5毫秒,並且能夠成功辨識電纜線上的瑕疵,且成功在標註框中顯示為何種類之瑕疵,為檢測電纜瑕疵提供一種新的方法。
Traditional cable surface defect detection relies on on-site personnel to use human eyes and matching optical instruments to make judgments. However, due to the different judgment standards of field personnel, the problem of misjudgment of defects often occurs. In recent years, automatic optical inspection has been transformed to use automatic optical inspection for detection, but it is still distinguishing When the surface is flawed, the dust attached to the surface is often judged as a flaw, which causes a misjudgment. This study uses the YOLO object identification technology to use the advantages of the detection frame to directly display the location of the flaw, and the weight of the training can obtain high-quality flaws The result of feature recognition is used to solve the problem of misjudgment of dust during factory inspection, and compare model performance indicators to evaluate the performance of the YOLO classification model trained in this research, and use the k-fold cross-validation method to evaluate whether the model performance indicators are reliable In the end, the precision rate of the YOLO model in this study reached 0.95, the recall rate reached 0.92, and the mAP for cable defects reached 94.39%. The speed of recognizing each picture was 3.19±0.5 milliseconds, and it was able to successfully identify the defects on the cable line. , And successfully displayed the type of defect in the label box, providing a new method for detecting cable defects.
摘 要 i
ABSTRACT ii
誌 謝 iv
目 錄 v
表目錄 vii
圖目錄 ix
第一章 緒論 1
1.1 研究背景 1
1.2 研究目的 5
第二章 文獻探討 6
2.1 缺陷檢測文獻回顧 6
2.2 卷積類神經網路 8
2.3 You Only Look Once 13
2.3.1 YOLO介紹 13
2.3.2 YOLOv4之BackBone 15
2.3.3 YOLOv4之Neck 16
2.3.4 YOLOv4之Head 18
2.3.5 YOLOv4-tiny模型 20
2.4 文獻總結 22
第三章 研究方法 23
3.1實驗流程 23
3.2 實驗環境架設 26
3.3 電纜瑕疵分類 31
3.4 YOLO模型環境 37
3.5 模型訓練結果評估 40
第四章 結果與討論 44
4.1 實驗結果 44
4.1.1 第一次實驗結果 45
4.1.2 第二次實驗結果 48
4.1.3 第三次實驗結果 51
4.1.4 第四次實驗結果 54
4.2 k-fold交叉驗證結果 57
4.3 模型實際測試結果 61
第五章 結論與未來展望 68
5.1 結論 68
5.2 未來展望 69
參考文獻 70

[1] 張佳琪,「難逃電線桿倒塌致災夢魘,電纜地下化的漫漫長路」,大學報,專題, 2020。
[2] 台電影音網,「一分鐘瞭解關鍵,關於電桿地下化」,台灣電力公司。
[3] 台灣財政部北區國稅局資料庫,電線、電纜業97年度原物料耗用通常水準, 2018。
[4] 潘涵暉,地下電力電纜檢測與故障位置測尋研究,碩士論文,國立虎尾科技大學電機工程系,2017。
[5] 古峰昌,XLPE電力電纜局部放電量測與瑕疵模式辨識,碩士論文,國立勤益科技大學電機工程系,2009。
[6] 王柏崴,應用決策樹評估高電壓電纜接頭絕緣狀態之研究,碩士論文,國立台灣科技大學電機工程系,2014。
[7] 鍾啟聞,應用類神經網路與自然頻率於結構物之損壞預測,碩士論文,國立成功大學造船暨船舶機械工程系,2002。
[8] 王薇鈞,基於更快速R-CNN之輪胎氣泡缺陷檢測,碩士論文,國立雲林科技大學資訊工程系,2018。
[9] 楊允禾,基於卷積神經網路之電纜表面瑕疵檢測,碩士論文,國立臺北科技大學機械工程系,2021。
[10] 邱俊邑,基於改良型Mask RNN演算法之路面坑洞檢測研究,碩士論文,朝陽科技大學資訊與通訊系,2020。
[11] 林培堯,針對鋰電池放射影像進行自動化形態學缺陷檢測和分類,碩士論文, 國立陽明大學生物醫學影像暨放射科學研究所,2012。
[12] 林澔,「基於深度學習技術應用於空氣品質PM2.5預測」,台灣網際網路研討會,東海大學計算機中心,2019。
[13] 陳允傑,TensorFlow 與 Keras:Python 深度學習應用實務,臺北市:旗標,2019,3-15。
[14] 施威銘研究室,tf.keras 技術者們必讀!深度學習攻略手冊,臺北市:旗標,2020,1-3。
[15] B. B. S. D. H. H. a. L. D. J. Y. LeCun,“Backpropagation applied to handwritten zip code recognition,”Neural Computation,1989, pp. 541-551.
[16] 郭柏宏,基於深度學習之靜態影像超解析度技術,碩士論文, 國立成功大學電機工程學系,2015。
[17] Website :https://kknews.cc/zh-tw/code/3x5z3a3.html.,機器不學習:CNN 入門講解-卷積層是如何提取特徵的?。
[18] S. D. R. G. A. F. Joseph Redmon,“You only look once: Unified, real-time object detection,”Proceedings of the IEEE conference on computer vision and pattern recognition, 2016.
[19] 蘇兆林,自走型物流搬運車之路徑規劃設計與分析,碩士論文,國立清華大學動力機械工程學系,2020。
[20] A. C.-Y. W. a. H.-Y. M. L. Bochkovskiy,“Yolov4: Optimal speed and accuracy of object detection.,”arXiv preprint arXiv:2004.10934, 2020.
[21] H. M. L. Y. W. P. C. J. H. a. I. Y. C. Wang,“CSPNet: A New Backbone that can Enhance Learning Capability of CNN,”2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops , pp. pp. 1571-1580, 2020.
[22] K. e. a. He,“Spatial pyramid pooling in deep convolutional networks for visual recognition.,”IEEE transactions on pattern analysis and machine intelligence 37.9, 2015.
[23] A. B. a. S. K. Mathew,“Identification of Malicious Code Variants using Spp-Net Model and Color Images,”2020 IEEE 15th International Conference on Industrial and Information Systems (ICIIS), 2020.
[24] S. e. a. Liu,“Path aggregation network for instance segmentation.,”Proceedings of the IEEE conference on computer vision and pattern recognition, 2018.
[25] J. a. A. F. Redmon,“Yolov3: An incremental improvement.,”arXiv preprint arXiv, 2018.
[26] 蕭丞軒,以YOLO標註技術擴增資料集增加辨識準確率,碩士論文,國立中興大學資訊科學與工程學系,2020。
[27] Website :https://blog.csdn.net/IAMoldpan/article/details/78799857。
[28] Website :https://github.com/AlexeyAB/darknet/issues/6067。
[29] Website :https://taymer.cn/wire-cable/inspection/si4100-large-outer-diameter-power-cable-surface-inspector/。
[30] 內政部,法規,「耐熱電線電纜認可基準」,2003。
[31] 鍾慶茂,161kV交連PE地下電纜老化問題之研究,碩士論文,國立台灣科技大學電機工程系,2005。
[32] 陳忍,各項品質成本影響因素之實地實證研究,碩士論文,國立政治大學會計學系,2000。
[33] 呂中憲,具三軸影像線上量測與複製功能之精密加工機研究,碩士論文,國立虎尾科技大學機械設計工程研究所,2011。
[34] Website:http://bloggerkevinyu.blogspot.com/2017/08/aoilightsource.html,歐智達。

電子全文 電子全文(網際網路公開日期:20260728)
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊