[發明專利]一種基于卷積神經網絡的冰柜表面缺陷檢測

在審

• 申請號: 202010007418.0
• 申請日: 2020-01-07
• 公開（公告）號: CN111199543A
• 公開（公告）日: 2020-05-26
• 發明（設計）人: 趙蘊龍;孫毅
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06N3/04;G01N21/88
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提供一種基于卷積神經網絡的冰柜表面缺陷檢測，目的是通過構建合適的目標檢測模型對冰柜表面的缺陷進行檢測，對存在缺陷的圖片用Bounding Box標注缺陷位置以及標注分類標簽NG，對不存在缺陷的圖片只需要標注分類標簽OK。本發明主要包括四個步驟，首先根據任務需要，選擇合適的目標檢測基礎架構，并進一步選擇合適的backbone網絡結構；然后構建目標檢測網絡模型，采用數據增強方法擴充訓練數據集并進行訓練，然后在驗證數據集上進行驗證；進而根據驗證結果，對模型結構和訓練策略進一步優化，并重新進行訓練和驗證；最后將測試數據放入模型，產生最后的預測結果，并通過可視化對比實際結果。本發明適用于基于卷積神經網絡的冰柜表面缺陷檢測。

技術領域

本發明涉及圖像分類和目標檢測的計算機視覺領域，尤其涉及一種基于卷積神經網絡的冰柜表面缺陷檢測。

背景技術

隨著人工智能領域的飛速發展，計算機視覺技術逐漸融入到人們的生活中并且正在改變著人們的生活、經營、生產方式，為各行各業的發展提供了更有力的支撐。

然而，對于大型制造企業而言，在大數據時代的背景下，如何處理和利用好在生產活動中收集到的海量數據，對制造業降低成本、提高效率起到至關重要的作用。

從實際生產中可以發現，當前的制造冰柜的企業在對冰柜表面進行缺陷檢測時，仍然通過人工方式一個個查看。這種方式消耗的人力大，檢測的結果往往依賴于肉眼，可能會出現遺漏等。并且人工檢測的效率非常低，只能對產品抽樣檢測，無法做到大規模快速檢測。

因此，為了提高檢測效率、減少人工成本和干預，考慮采用計算機視覺技術解決對冰柜表面缺陷的檢測。這種方法以冰柜表面的圖像作為數據輸入到檢測模型，然后自動識別出圖像中是否存在缺陷，如果存在則標注出缺陷的具體位置并輸出標注好后的圖像，如果不存在則直接輸出圖像，方便檢測人員進一步辨別與判定。

計算機視覺技術的出現，大大提高了生產作業的效率，避免了因作業條件，主觀判斷等影響檢測結果的準確性，實現能更好更精確地進行表面缺陷檢測，更加快速的識別冰柜表面瑕疵缺陷。

發明內容

本發明的目的在于解決現有技術中存在的不足，提供一種基于卷積神經網絡的冰柜表面缺陷檢測，這一方法不依賴于人工檢測，使用計算機視覺技術，訓練一個目標檢測模型，再對冰柜表面的缺陷進行自動識別和標注。該方法極大地提升了生產過程中對冰柜質量檢測的效率。

實現本發明目的的技術方案是：一種一種基于卷積神經網絡的冰柜表面缺陷檢測，包括如下步驟：

步驟一：根據任務需要，選擇合適的目標檢測基礎架構，并進一步選擇合適的backbone網絡結構；

步驟二：構建目標檢測網絡模型，采用數據增強方法擴充訓練數據集并進行訓練，然后在驗證數據集上進行驗證；

步驟三：根據驗證結果，對模型結構和訓練策略進一步優化，并重新進行訓練和驗證；

步驟四：根將測試數據放入模型，產生最后的預測結果，并通過可視化對比實際結果。

進一步的，所述步驟一的具體過程如下：

(1.1)確認本次任務的目標是準確檢測冰柜表面的缺陷，并標識出缺陷的位置并打上NG標簽，如果不存在缺陷，則輸出結果打上OK標簽；

(1.2)基于任務的精確度要求，選擇Cascade R-CNN為本次檢測任務的基礎架構，其優點在能夠更精確的標識出缺陷位置；

(1.3)檢測模型的backbone要求能夠對物體的分類更加精確，對比ResNet50、Res101、ResNet152的分類精度和模型速度；

(1.4)挑選ResNet50作為本次任務的backbone。

進一步的，所述步驟二的具體過程如下：