[發明專利]一種基于多層卷積神經網絡的相機外殼噴漆檢測系統和方法

在審

• 申請號: 201910968138.3
• 申請日: 2019-10-12
• 公開（公告）號: CN110738648A
• 公開（公告）日: 2020-01-31
• 發明（設計）人: 戴鴻君;于治樓;姜凱
• 申請（專利權）人: 山東浪潮人工智能研究院有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/46;G06K9/62
• 代理公司: 37100 濟南信達專利事務所有限公司
• 代理人: 孫晶偉

本發明公開了一種基于多層卷積神經網絡的相機外殼噴漆檢測系統，屬于神經網絡圖像處理領域；所述的檢測系統包括數據收集模塊、圖像判定模塊、通知顯示模塊、預處理模塊、模型構造模塊和模型訓練模塊；預處理模塊將數據收集模塊收集的生產線上產品的圖像處理成數據集；模型訓練模塊將數據集輸入到構造的圖像識別模型內，使用梯度下降訓練得到成熟模型后，圖像判定模塊再將數據集輸入到成熟的圖像識別模型內，進行圖像判定后將結果通過顯示模塊進行顯示輸出；本發明系統中構造的五層卷積神經網絡和三層全連接網絡的識別模型能夠實現智能預測生產線上產品加工是否合格，發明系統相比于傳統VGG16等網絡模型，卷積層較少，因此參數較少，訓練時更容易擬合。

技術領域

本發明公開一種基于多層卷積神經網絡的相機外殼噴漆檢測系統和方法，涉及神經網絡圖像處理技術領域。

背景技術

在傳統生產線中，流水式加工作業，多需要人工對產品的外形進行檢驗，查看產品的加工是否合格，對于不合格的產品需要進行人工處理后重新檢驗，在人工檢驗這一過程中消耗大量人力和時間，和流水線的生產生產效率嚴重不符，如果把人工檢驗產品是否合格這一過程利用基于卷積神經網絡的檢測模型代替人工檢測，會加大生產效率，提高生產質量，進而實現生產線產品的智能檢驗。該模型使用專門設計的多層卷積神經網絡來實現，該網絡相比傳統神經網絡使用了五層卷積和三層全連接，減少了參數量；使用dropout技術和batnormal技術避免了網絡出現過擬合、梯度爆炸和梯度消失等問題。

發明內容

本發明針對現有技術的問題，提供一種基于多層卷積神經網絡的相機外殼噴漆檢測系統，所采用的技術方案為:一種基于多層卷積神經網絡的相機外殼噴漆檢測系統，所述的檢修系統包括數據收集模塊、模型構造模塊、模型訓練模塊、圖像判定模塊和顯示通知模塊；

數據收集模塊：對采集相機外殼噴漆的圖像數據進行采集；

模型構造模塊利用卷積神經網絡構造圖像識別模型：第一層由卷積層、LEAKY_RELU激活函數和池化層組成，第二層由卷積層、LEAKY_RELU激活函數和池化層組成，第三層由same卷積層和LEAKY_RELU激活函數組成，第四層由same卷積層和LEAKY_RELU激活函數組成，第五層由same卷積層和LEAKY_RELU激活函數組成，第六層由神經元構成的全連接層組成，第七層由神經元構成的全連接層組成，第八層由神經元構成的全連接層組成；

模型訓練模塊：將數據收集模塊收集的圖像數據傳入至模型構造模塊構造的圖像識別模型內進行識別訓練，得到圖像識別模型的成熟模型；

圖像判定模塊：將圖像數據傳入成熟模型內進行圖像判定；

顯示通知模塊：將判定結果進行顯示輸出。

所述數據收集模塊將采集的圖像數據通過預處理模塊處理成數據集，傳至圖像識別模型內。

所述預處理模塊對圖像數據進行降噪、歸一化和灰度化的預處理。

所述模型訓練模塊按照留出法進行模型訓練。

所述模型訓練模塊使用留出法將數據集分為訓練集和測試集，訓練集用于訓練，使用梯度下降訓練根據在測試集上的效果選擇成熟模型。

一種基于多層卷積神經網絡的相機外殼噴漆檢測方法，其特征是步驟如下：

S1采集相機外殼噴漆的圖像數據；

S2由卷積神經網絡構造圖像識別模型：第一層由卷積層、LEAKY_RELU激活函數和池化層組成，第二層由卷積層、LEAKY_RELU激活函數和池化層組成，第三層由same卷積層和LEAKY_RELU激活函數組成，第四層由same卷積層和LEAKY_RELU激活函數組成，第五層由same卷積層和LEAKY_RELU激活函數組成，第六層由神經元構成的全連接層組成，第七層由神經元構成的全連接層組成，第八層由神經元構成的全連接層組成；