[發(fā)明專利]彩鋼瓦表面缺陷的CNN語義分割自學(xué)習(xí)檢測方法有效
| 申請?zhí)枺?/td> | 201911342401.4 | 申請日: | 2019-12-23 |
| 公開(公告)號: | CN111080636B | 公開(公告)日: | 2023-08-25 |
| 發(fā)明(設(shè)計)人: | 楊靜日;魏志康 | 申請(專利權(quán))人: | 山東安亞金屬科技有限公司 |
| 主分類號: | G06T7/00 | 分類號: | G06T7/00;G06T7/11;G06T7/136;G06T7/187;G06T7/194 |
| 代理公司: | 深圳市蘭鋒盛世知識產(chǎn)權(quán)代理有限公司 44504 | 代理人: | 羅炳鋒 |
| 地址: | 256600 山東省濱州*** | 國省代碼: | 山東;37 |
| 權(quán)利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關(guān)鍵詞: | 彩鋼瓦 表面 缺陷 cnn 語義 分割 自學(xué)習(xí) 檢測 方法 | ||
1.一種彩鋼瓦表面缺陷的CNN語義分割自學(xué)習(xí)檢測方法,其特征在于,該方法包括:
步驟一,使用相機采集彩鋼瓦原始灰度圖像,對彩鋼瓦原始灰度圖像進行二維離散傅里葉變換,得到彩鋼瓦頻譜圖像;
步驟二,計算彩鋼瓦頻譜圖像對應(yīng)的功率譜圖像,使用最大類間方差法,對彩鋼瓦功率譜圖像進行二值化;
步驟三,構(gòu)建形態(tài)學(xué)結(jié)構(gòu)元素,對二值化的彩鋼瓦功率譜圖像進行形態(tài)學(xué)膨脹操作;
步驟四,將膨脹的彩鋼瓦功率譜圖像的亮部區(qū)域設(shè)為1,其余區(qū)域設(shè)為0,作為遮罩?jǐn)?shù)據(jù),將遮罩?jǐn)?shù)據(jù)與彩鋼瓦頻譜圖像點對點相乘,得到濾波后的彩鋼瓦頻譜圖像;
步驟五,對濾波后的彩鋼瓦頻譜圖像進行二維離散傅里葉逆變換,得到重構(gòu)彩鋼瓦背景圖像;
步驟六,根據(jù)彩鋼瓦原始灰度圖像與重構(gòu)彩鋼瓦背景圖像,基于背景差分法,得到彩鋼瓦缺陷圖像;
步驟七,對彩鋼瓦缺陷圖像進行閾值化處理,對閾值化處理結(jié)果進行連通域篩選,篩選結(jié)果作為標(biāo)注圖像;
步驟八,對多個彩鋼瓦進行彩鋼瓦原始灰度圖像采集,并根據(jù)步驟一至七獲取標(biāo)注圖像,將彩鋼瓦原始灰度圖像與標(biāo)注圖像作為樣本數(shù)據(jù)集,基于交叉熵?fù)p失函數(shù)訓(xùn)練預(yù)設(shè)語義分割深度卷積神經(jīng)網(wǎng)絡(luò);
步驟九,將待檢測彩鋼瓦原始灰度圖像輸入訓(xùn)練好的語義分割深度卷積神經(jīng)網(wǎng)絡(luò),得到彩鋼瓦缺陷檢測結(jié)果;
步驟十,根據(jù)連通域面積篩選規(guī)則,對彩鋼瓦缺陷檢測結(jié)果進行篩選。
2.如權(quán)利要求1所述的彩鋼瓦表面缺陷的CNN語義分割自學(xué)習(xí)檢測方法,其特征在于,所述步驟一中的二維離散傅里葉變換計算公式如下:
其中,f(x,y)代表大小為M*N的矩陣,其中,x的取值區(qū)間[0,1,…,M-1]和y的取值區(qū)間[0,1,…,N-1],x、y均為整數(shù),F(xiàn)(u,v)為f(x,y)的傅里葉變換頻譜成分,是兩個實頻率變量u和v的復(fù)值函數(shù),頻率u對應(yīng)于x軸,頻率v對應(yīng)于y軸,e為自然常數(shù),i為虛數(shù)單位,π為圓周率。
3.如權(quán)利要求1所述的彩鋼瓦表面缺陷的CNN語義分割自學(xué)習(xí)檢測方法,其特征在于,所述步驟三中的形態(tài)學(xué)結(jié)構(gòu)元素為:
4.如權(quán)利要求1所述的彩鋼瓦表面缺陷的CNN語義分割自學(xué)習(xí)檢測方法,其特征在于,所述步驟五中的二維離散傅里葉逆變換計算公式如下:
其中,f(x,y)代表大小為M*N的矩陣,其中,u的取值區(qū)間[0,1,…,M-1]和v的取值區(qū)間[0,1,…,N-1],u、v均為整數(shù),F(xiàn)(u,v)為f(x,y)的傅里葉變換頻譜成分,是兩個實頻率變量u和v的復(fù)值函數(shù),頻率u對應(yīng)于x軸,頻率v對應(yīng)于y軸,e為自然常數(shù),i為虛數(shù)單位,π為圓周率。
5.如權(quán)利要求1所述的彩鋼瓦表面缺陷的CNN語義分割自學(xué)習(xí)檢測方法,其特征在于,所述步驟六包括:
根據(jù)彩鋼瓦原始灰度圖像,基于背景差分法,將彩鋼瓦紋理、光照信息從原始灰度圖像中剔除,得到彩鋼瓦缺陷圖像,計算公式如下:
RES=G-BASE
其中,RES為彩鋼瓦缺陷圖像,G為彩鋼瓦原始灰度圖像,BASE為重構(gòu)彩鋼瓦背景圖像。
6.如權(quán)利要求1所述的彩鋼瓦表面缺陷的CNN語義分割自學(xué)習(xí)檢測方法,其特征在于,所述步驟十中的連通域面積篩選規(guī)則包括:
計算連通域面積評分系數(shù):
其中,c為評分系數(shù),d為彩鋼瓦兩凸起之間的距離,A為彩鋼瓦缺陷檢測結(jié)果中的連通域面積,B為當(dāng)前檢測區(qū)域彩鋼瓦的面積;
設(shè)置閾值,如果連通域面積評分系數(shù)大于閾值則將該連通域計入缺陷,否則,將該連通域過濾。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息,商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于山東安亞金屬科技有限公司,未經(jīng)山東安亞金屬科技有限公司許可,擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作,請聯(lián)系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/201911342401.4/1.html,轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 圖像語義標(biāo)注的設(shè)備和方法及其模型的生成方法和系統(tǒng)
- 使用卷積神經(jīng)網(wǎng)絡(luò)的數(shù)字圖像處理
- 為數(shù)據(jù)庫確定卷積神經(jīng)網(wǎng)絡(luò)CNN模型的裝置和方法
- 確定卷積神經(jīng)網(wǎng)絡(luò)CNN模型的裝置和方法
- 采用嵌入式系統(tǒng)中的小規(guī)模卷積神經(jīng)網(wǎng)絡(luò)模塊的人臉檢測
- 針對深度通道和卷積神經(jīng)網(wǎng)絡(luò)圖像和格式使用相機設(shè)備的方法和系統(tǒng)
- 處理卷積神經(jīng)網(wǎng)絡(luò)的方法
- CNN加速器和電子設(shè)備
- 一種基于混合神經(jīng)網(wǎng)絡(luò)的腦電時空特征學(xué)習(xí)與情感分類方法
- 一種基于FPGA的深度學(xué)習(xí)加速方法





