各位老师下午好。

我叫李明。我的论文题目是《基于机器视觉的零件表面缺陷检测方法研究》。现在向大家汇报我的工作。

我研究的问题是零件表面缺陷的自动检测。在工厂里，零件生产出来需要检查质量。传统方法靠人眼去看。人工检测容易疲劳。人的标准可能不一致。检测速度也比较慢。我希望用机器视觉技术解决这个问题。机器视觉就是用摄像头拍照。用计算机算法分析图片。我的目标是找到一种好方法。这种方法要检测得准。检测速度要快。还要能适应不同的零件。

我首先看了很多别人的研究。现有的方法主要分成两类。第一类是传统图像处理方法。这种方法计算速度快。但它对光照变化很敏感。零件摆放位置变化也会影响结果。第二类是深度学习方法。这种方法检测精度高。但它需要很多图片来训练。训练这些图片需要很强的计算机。训练时间也很长。在工厂实际环境中很难满足这些条件。

我的想法是结合两种方法的优点。我设计了一个新的检测框架。这个框架分成两个主要部分。第一个部分是快速定位。第二个部分是精细识别。

快速定位部分用传统方法。我先对零件图像进行预处理。预处理包括灰度化、降噪和增强对比度。然后我用边缘检测算法找到零件轮廓。我知道零件在图像中的大致区域。我把这个区域找出来。这样做的好处是缩小了分析范围。计算机不需要处理整张图片。这大大减少了计算量。处理速度得到提高。

精细识别部分用轻量级的深度学习模型。我只关注零件表面的一小块区域。我用一个小的神经网络模型。这个模型结构简单。它不需要特别强的算力。我在实验室用一千张图片训练了这个模型。这些图片包括各种缺陷。比如划痕、凹坑、锈斑。模型学会了识别这些缺陷特征。

我把两个部分连接起来。工作流程是这样的。摄像头先拍一张零件照片。快速定位模块找到零件表面区域。系统把这块区域裁剪出来。裁剪出的图片送给精细识别模型。模型判断这块区域有没有缺陷。如果有缺陷，它还会标出缺陷的类型和位置。整个处理过程不到零点五秒。

为了验证我的方法，我做了实验。我搭建了一个实验平台。平台包括工业相机、光源和一台普通电脑。我收集了五百个零件样本。其中三百个有缺陷。两百个是合格的。我用我的方法测试这些样本。

实验结果是好的。我的方法检测准确率达到百分之九十八点五。这意味着一百个零件里只有一两个判断错误。检测速度是每个零件零点四秒。工厂的生产线速度一般是每秒两个零件。我的方法比生产线速度更快。完全可以满足实时检测要求。我还对比了其他两种方法。第一种是纯传统方法。它的准确率只有百分之九十。第二种是复杂的深度学习方法。它的准确率有百分之九十九。但它的检测速度是每个零件两秒。它跟不上生产线速度。

我的方法有实际价值。它准确率高。它速度快。它不需要昂贵的设备。普通电脑就能运行。工厂容易推广使用。它能代替重复性的人眼检查。工人可以去完成更复杂的工作。

我的研究也有一些不足。我的实验在实验室完成。实验室环境是controlled的。工厂环境更复杂。光照可能变化。零件上可能有油污。这些因素会影响检测效果。我的模型训练用了一千张图片。这个数量还不够多。如果遇到全新的缺陷类型，模型可能不认识。

我考虑过这些问题的解决办法。对于环境干扰，可以设计更稳定的照明系统。可以用防护罩遮住摄像头和零件。对于新缺陷，可以不断收集新的图片。用新图片更新模型。让模型越来越聪明。

在我的研究过程中，我遇到了很多困难。最开始，零件反光问题严重。图片上全是亮斑。我调整了光源的角度。我试了不同颜色的光。最后用了漫射光源解决了问题。另一个困难是小缺陷难以识别。微小的划痕在图片上只有几个像素点。我改进了图像增强算法。我放大了缺陷区域的对比度。这让模型更容易找到它们。

我做这个研究花了十个月时间。前两个月读文献。中间五个月设计算法和做实验。最后三个月写论文和修改。我的导师给了我很多帮助。实验室的同学也给了建议。工厂的师傅提供了零件样本。我感谢他们。

我的论文工作就是这些。我介绍了我要解决的问题。我讲了现有的方法有什么缺点。我提出了自己的新方法。我做了实验证明方法有效。我也分析了方法的不足。

论文还有很多可以改进的地方。希望各位老师提出意见。我的汇报结束了。谢谢各位老师。