[發明專利]零件表面瑕疵檢測中神經網絡的訓練樣本的合成方法

有效

• 申請號: 201811221719.2
• 申請日: 2018-10-19
• 公開（公告）號: CN109584206B
• 公開（公告）日: 2021-07-06
• 發明（設計）人: 孫佳;王鵬
• 申請（專利權）人: 中國科學院自動化研究所
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/136;G06T7/11;G06T7/62
• 代理公司: 北京市恒有知識產權代理事務所(普通合伙) 11576
• 代理人: 郭文浩

本發明屬于表面瑕疵檢測技術領域，具體提供了一種零件表面瑕疵檢測中神經網絡的訓練樣本的合成方法。訓練樣本的合成方法包括：步驟S1：獲取帶瑕疵零件樣本的圖像；步驟S2：從帶瑕疵零件樣本的圖像中獲取瑕疵圖像；步驟S3：提取瑕疵圖像的圖像特征并將擾動加入圖像特征來生成訓練樣本。通過這樣的方法獲取訓練樣本，只需獲取少量的帶有瑕疵的零件，通過獲取少量的瑕疵零件表面的圖像，對圖像中存在的瑕疵進行提取獲取各種瑕疵的圖像，從各種瑕疵的圖像中提取瑕疵的圖像特征，再對各圖像特征加入相應的擾動以生成數量巨大的訓練樣本，滿足了神經網絡的訓練需求，解決了用于神經網絡訓練的訓練樣本獲取困難，無法獲取大量訓練樣本的問題。

技術領域

本發明屬于表面瑕疵檢測技術領域，具體提供了一種零件表面瑕疵檢測中神經網絡的訓練樣本的合成方法。

背景技術

傳統的精密零件表面瑕疵的檢測方法主要是人工檢測。人工檢測方法受限于檢測人員的工作狀態、檢測技能水平以及熟練水平等因素，不可避免地出現錯檢、漏檢的情況。采用人工檢測零件表面瑕疵，勞動強度大、檢測效率低、出錯率高。

近年來，隨著深度學習在語義識別、圖像理解中取得的顯著效果，利用神經網絡自動訓練特征表達的目標檢測方法得到了越來越快的發展(Krizhevsky A,Sutskever I,Hinton G E.Image Net classification with deep convolutional neural networks[C].In:Proceedings of the 25th International Conference on Neural InformationProcessing Systems.Lake Tahoe,Nevada,USA:MIT Press,2012.1097-1105；Ren S Q,HeK M,Girshick R,Sun J.Faster R-CNN:towards real-time object detection withregion proposal networks[J].IEEE Transactions on Pattern Analysis and MachineIntelligence,2017,39(6):1137-1149；[98]Girshick R.Fast R-CNN[C].In:Proceedingsof the 2015IEEE International Conference on Computer Vision(ICCV).Santiago,Chile:IEEE,2015.1440-1448.)。鑒于卷積神經網絡在圖像識別領域的優秀表現，其被廣泛應用于目標檢測領域。為了利用圖像識別的技術，在圖像進行目標檢測前，先要給識別網絡輸入一個需要識別的候選區域，這種先提取候選區域再進行分類的目標檢測方法稱為基于區域建議的目標檢測方法(He K,Zhang X,Ren S,et al.Spatial pyramid pooling indeep convolutional networks for visual recognition[J].IEEE Transactions onPattern AnalysisMachine Intelligence,2014,37(9):1904-1916；Girshick R,DonahueJ,Darrell T,Malik J.Rich feature hierarchies for accurate object detectionand semantic segmentation[C].In:Proceedings of the 2014IEEE Conference onComputer Vision and Pattern Recognition(CVPR).Columbus,Ohio,USA:IEEE,2014.580-587；Hinton G,Deng L,Yu D,Dahl G E,Mohamed A R,Jaitly N,Senior A,Vanhoucke V,Nguyen P,Sainath T N,Kingsbury B.Deep neural networks foracoustic modeling in speech recognition:the shared views of four researchgroups[J].IEEE Signal Processing Magazine,2012,29(6):82-97.)。借助卷積神經網絡和圖像識別技術，實現了精密零件表面瑕疵檢測的自動化，提高了檢測效率，保證了檢測合格率。在瑕疵檢測之前，需要使用大量的樣本圖像對卷積神經網絡進行訓練。若使用的訓練樣本過少，使用訓練后的卷積神經網絡進行零件表面瑕疵檢測時將出現過擬合、泛化能力弱、檢測錯誤率高等問題。然而，在實際應用中，通常無法獲取大量的帶有瑕疵的零件樣本，只能通過少量的零件樣本對卷積神經網絡進行訓練，這樣將會出現過擬合、泛化能力弱的問題，進而影響零件表面瑕疵的準確檢測。