[發(fā)明專利]一種應(yīng)用于機(jī)箱表面劃痕檢測的深度卷積神經(jīng)網(wǎng)絡(luò)方法

在審

• 申請?zhí)枺?/td>: 201810761940.0
• 申請日: 2018-07-11
• 公開（公告）號: CN108986090A
• 公開（公告）日: 2018-12-11
• 發(fā)明（設(shè)計(jì)）人: 宋麗梅;林文偉;郭慶華
• 申請（專利權(quán)）人: 天津工業(yè)大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06T3/40
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明屬于機(jī)器視覺領(lǐng)域，涉及一種應(yīng)用于機(jī)箱表面劃痕檢測的深度卷積神經(jīng)網(wǎng)絡(luò)方法。該方法通過深度卷積神經(jīng)網(wǎng)絡(luò)對機(jī)箱表面劃痕圖片進(jìn)行訓(xùn)練，建立應(yīng)用于機(jī)箱表面劃痕檢測的深度卷積神經(jīng)網(wǎng)絡(luò)模型。經(jīng)過測試選出最優(yōu)的深度卷積神經(jīng)網(wǎng)絡(luò)模型，利用彩色攝像機(jī)采集機(jī)箱表面圖像，由最優(yōu)的深度卷積神經(jīng)網(wǎng)絡(luò)模型對機(jī)箱表面劃痕進(jìn)行檢測。本發(fā)明設(shè)計(jì)的深度卷積神經(jīng)網(wǎng)絡(luò)，可以有效的解決光照環(huán)境多變的機(jī)箱表面細(xì)微劃痕檢測的難題。

技術(shù)領(lǐng)域

本發(fā)明涉及一種應(yīng)用于機(jī)箱表面劃痕檢測的深度卷積神經(jīng)網(wǎng)絡(luò)方法，更具體的說，本發(fā)明涉及一種能夠用于機(jī)箱細(xì)微劃痕缺陷檢測的深度卷積神經(jīng)網(wǎng)絡(luò)方法。

背景技術(shù)

深度學(xué)習(xí)是目前人工智能、機(jī)器學(xué)習(xí)領(lǐng)域異常火熱的研究方向，已經(jīng)在語音識別、圖像識別、自然語言處理等諸多領(lǐng)域取得了突破性進(jìn)展，對學(xué)術(shù)界和工業(yè)界產(chǎn)生了深遠(yuǎn)的影響。隨著工業(yè)4.0的迅速發(fā)展，工業(yè)生產(chǎn)線的機(jī)箱產(chǎn)品有著極大的產(chǎn)量需求。由于生產(chǎn)工藝、運(yùn)輸工程中的意外情況，機(jī)箱表面往往存在各種不同程度的劃痕缺陷，而這些含有劃痕缺陷的產(chǎn)品會(huì)直接影響產(chǎn)品的質(zhì)量。目前，對于相關(guān)工業(yè)產(chǎn)品的缺陷檢測仍是依賴人工檢測。人工檢測不僅存在較高的誤檢率，而且大大增加了產(chǎn)品成本。近年來，基于機(jī)器視覺的自動(dòng)化缺陷檢測方法被廣大研究者所關(guān)注，也越來越受到廠商的青睞，但現(xiàn)行方法檢測精度低且耗時(shí)長，不能滿足實(shí)時(shí)檢測需求，成為了制約機(jī)器取代人類進(jìn)行缺陷檢測的主要因素。目前已有的缺陷檢測技術(shù)，大多采用傳統(tǒng)的圖像處理與識別技術(shù)，例如灰度變換、圖像二值化、邊緣檢測、模板匹配等；采用較為經(jīng)典的人工特征，例如SIFT，SURF，HAAR，HOG等算子，利用神經(jīng)網(wǎng)絡(luò)或SVM分類器進(jìn)行圖像分類。類似的以傳統(tǒng)圖像處理與特征提取為主要手段的缺陷檢測方式，運(yùn)用到了太陽能板的缺陷檢測，鋼軌的缺陷檢測，LED缺陷檢測等領(lǐng)域上，但是對于機(jī)箱的劃痕缺陷檢測這一問題，由于劃痕缺陷存在面積較小，極其輕微，與背景對比度不強(qiáng)的特點(diǎn)，上述傳統(tǒng)算法并不能良好地應(yīng)用于機(jī)箱的劃痕缺陷檢測中，無論從處理時(shí)間還是檢測的精準(zhǔn)度上，都不能滿足工業(yè)生產(chǎn)的需求。為了解決這一難題，本發(fā)明設(shè)計(jì)一種應(yīng)用于機(jī)箱表面劃痕檢測的深度卷積神經(jīng)網(wǎng)絡(luò)方法。

發(fā)明內(nèi)容

本發(fā)明提供一種應(yīng)用于機(jī)箱表面劃痕檢測的深度卷積神經(jīng)網(wǎng)絡(luò)方法，該方法能夠應(yīng)用于機(jī)箱細(xì)微劃痕缺陷檢測。在不同光照環(huán)境，仍能實(shí)現(xiàn)對機(jī)箱表面劃痕檢測。

所述的深度卷積神經(jīng)網(wǎng)絡(luò)方法的硬件系統(tǒng)包括：

用于精度控制、圖像采集和數(shù)據(jù)處理的計(jì)算機(jī)；

用于采集圖像的彩色攝像機(jī)；

用于放置所述的彩色攝像機(jī)的操作平臺(tái)；

本發(fā)明所設(shè)計(jì)的深度卷積神經(jīng)網(wǎng)絡(luò)方法，其特征是：對機(jī)箱表面圖像進(jìn)行劃痕檢測，步驟如下：

步驟1：選取含有機(jī)箱表面劃痕圖像的數(shù)據(jù)集，所述的機(jī)箱表面劃痕圖像數(shù)據(jù)集包含輸入圖像X張，標(biāo)簽圖像X張，測試圖像Y張，將所述的數(shù)據(jù)集的圖像大小統(tǒng)一設(shè)置為3通道像素值為512×512的圖像；

步驟2：深度卷積神經(jīng)網(wǎng)絡(luò)模型的第一層輸入層參數(shù)I₁＝m₁×m₁×n₁，設(shè)置m₁＝512，n₁＝3；

步驟3：步驟2中所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型的第二層卷積層參數(shù)C₁＝m₂×m₂×n₂，設(shè)置m₂＝3，n₂＝16，所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型第二層卷積層的輸出為C_out1；

步驟4：步驟2中所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型的第三層池化層參數(shù)P₁＝m₃×m₃×n₃，設(shè)置m₃＝2，n₃＝1；