摘 要

本文使用Mask Rcnn算法，针对金属腐蚀缺陷检测的应用需求，基于Python Opencv环境，开发了一个针对金属腐蚀图片的腐蚀缺陷目标检测与分类系统。

由于传统的腐蚀缺陷检测方法一般都是通过人工完成的，具有检测慢，成本高，受主观影响大等缺点。基于机器视觉的检测方法是通过采集目标图像并对图像进行分析得出腐蚀信息，具有效率高，成本低，检测稳定客观等特点。作为高智能化技术的代表，机器视觉检测显然更有应用前景。

论文以标记过的金属腐蚀图片为数据集进行有监督训练，建立了金属腐蚀模型对金属腐蚀图像进行预测，并将检测到的金属腐蚀缺陷以可视化的形式标记在目标图像中。同时使用PyQt设计UI界面，将两者结合完成腐蚀检测系统，用户能在UI界面完成对目标图片的选取，检测等操作，并能显示一张图片测试的时间，最后将可视化结果返回到UI界面。

模型训练的类别有四种：点蚀，缝隙腐蚀，丝状腐蚀，一般攻击腐蚀。结果表明，在对验证集的预测中，建立的腐蚀模型可以较好的识别点腐蚀和缝隙腐蚀。

关键词：Mask Rcnn；训练模型；金属腐蚀检测

Abstract

In this paper, using the Mask Rcnn algorithm, based on the application requirements of metal corrosion defect detection, based on the Python Opencv environment, a corrosion defect target detection and classification system for metal corrosion pictures was developed.

Since the traditional corrosion defect detection methods are generally completed by hand, they have the disadvantages of slow detection, high cost, and subjective influence. The machine vision-based detection method is obtained by collecting target images and analyzing the images to obtain corrosion information, which has the characteristics of high efficiency, low cost, stable and objective detection. As a representative of highly intelligent technology, machine vision inspection is obviously more promising.

The paper uses the marked metal corrosion picture as the data set for supervised training, establishes a metal corrosion model to predict the metal corrosion image, and marks the detected metal corrosion defects in the target image in a visual form. At the same time, PyQt is used to design the UI interface, and the two are combined to complete the corrosion detection system. The user can complete the selection, detection and other operations on the target image in the UI interface, and can display the time of a picture test, and finally return the visualization result to the UI interface. .

There are four types of model training: pitting, crevice corrosion, filiform corrosion, and general attack corrosion. The results show that the corrosion model established can better identify pitting corrosion and crevice corrosion in the prediction of the verification set.

Key Words: Mask Rcnn；training model；metal corrosion detection

目录

第1章 绪论 1

1.1目的及意义 1

1.2国内外研究现状 1

1.3方案选择 3

1.4论文整体结构 3

第2章 系统结构与预期 5

2.1系统结构 5

2.2系统预期功能与指标 6

第3章 Mask R-CNN介绍 7

第4章 模型训练 15

4.1环境配置 15

4.2数据集制作 16

4.3模型训练 18

第5章 UI界面设计 21

5.1GUI工具选择 21

5.2环境配置 22

5.3窗口设计 22

第6章 系统测试 27

6.1系统功能测试 27

6.2系统指标测量 29

第7章 总结 30

参考文献 31

致谢 33

绪论

1.1目的及意义

本毕业设计的课题是基于机器视觉的目标检测与分类。自进入工业化社会以来，制造业直接体现着一个国家的生产水平。随着技术领先国家一些战略的相继出台，依托网络信息技术、大数据、云计算等技术的深度融合与集成，传统制造业正逐步迈入新时代，只有不断提升制造业自动化与智能化水平才能加快我国制造业的转型升级。作为近年来自动化领域迅猛发展的高智能化技术代表——机器视觉技术，凭借其可视化优势，迅速跻身于制造业自动化的关键位置，从而极大地推动了工业发展的智能化进程。人类将自身视觉系统的原理移植于视觉检测技术中，发明了视觉传感器与机器视觉系统，并广泛应用于工业、农业、医药、军事、航天、交通、安全、科研等领域，取得了巨大的经济与社会效益，机器视觉市场潜力巨大。

随着社会步入智能化时代，人工智能^[1-2]的发展也日益火热。机器视觉技术就是融合人工智能的一项技术，通常指利用计算机通过视觉的角度模拟生物的视觉感知功能，即对人眼的感知进行延伸与扩充，其功能主要是从观察到的事物图像中提取空间信息，加以处理与理解。

我国在材料腐蚀领域，为监测腐蚀数据进行的试验方法相对单一，大多采取人工的方式，通过肉眼观察相应的材料外观腐蚀图像，来获取材料的腐蚀特征相关数据信息。