[發明專利]表面劃痕檢測神經網絡的構建方法、系統、裝置及介質

在審

• 申請號: 202010008443.0
• 申請日: 2020-01-06
• 公開（公告）號: CN111223083A
• 公開（公告）日: 2020-06-02
• 發明（設計）人: 王永斌;劉廉如;張忠平;丁雷
• 申請（專利權）人: 宜通世紀物聯網研究院（廣州）有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 何文聰

本發明公開了一種表面劃痕檢測神經網絡的構建方法、系統、裝置及介質。該方法通過獲取物體表面帶有劃痕的圖像數據，基于預設的分辨率閾值對所述圖像數據進行篩選，得到劃痕圖像樣本；然后通過特征提取模塊、分割網絡模塊和決策網絡模塊構建基礎神經網絡；最終通過所述劃痕圖像樣本訓練所述基礎神經網絡，得到表面劃痕檢測神經網絡。該系統包括獲取單元、篩選單元、構建單元和訓練單元。通過使用本發明中的方法，識別出有劃痕缺陷的物體圖像，并且在網絡復雜度低的同時實現了少量樣本訓練與高精度的檢測。本發明可廣泛應用于圖像識別技術領域內。

技術領域

本發明涉及圖像識別技術領域，尤其是一種表面劃痕檢測神經網絡的構建方法、系統、裝置及介質。

背景技術

隨著深度學習領域的快速發展，自動表面缺陷檢測技術成為了工業應用上的重要檢測技術。但是由于一般的工業實際生產中只能提供較少的缺陷樣本，因此如何利用有限的樣本得到所需要的特征進行訓練，構建出合適的模型達到較高的精度是一個重要問題。

而現有的基于深度學習的物體表面缺陷檢測技術，在追求檢測精度的過程中，往往存在計算量大和訓練困難等問題。如LBP特征提取方法，雖然在數據量較少的情況下能較好地提取圖像的信息，但是算法計算復雜量大，在計算對應關系的時候難以選取合適的稀疏字典。而基于卷積神經網絡的方法中，則通常是在淺層網絡的基礎上加深網絡深度，以更復雜的網絡來提高檢測的精度，但這卻降低了網絡的訓練效率，檢測費時很長。目前，現有方案中還缺少一種良好的神經網絡構建技術，以用于解決以上問題。

發明內容

本發明的目的在于至少一定程度上解決現有技術中存在的技術問題之一。

為此，本發明實施例的一個目的在于提供一種表面劃痕檢測神經網絡的構建方法，該方法構建的神經網絡能夠識別出有劃痕缺陷的物體圖像，并且在網絡復雜度低的同時實現了少量樣本訓練與高精度的檢測。

本發明實施例的另一個目的在于提供一種表面劃痕檢測神經網絡的構建系統。

為了達到上述技術目的，本發明實施例所采取的技術方案包括：

第一方面，本發明實施例提供了一種表面劃痕檢測神經網絡的構建方法，包括以下步驟：

獲取物體表面帶有劃痕的圖像數據，基于預設的分辨率閾值對所述圖像數據進行篩選，得到劃痕圖像樣本；

通過特征提取模塊、分割網絡模塊和決策網絡模塊構建基礎神經網絡；

通過所述劃痕圖像樣本訓練所述基礎神經網絡，得到表面劃痕檢測神經網絡；

其中，所述特征提取模塊用于提取所述劃痕圖像樣本的高頻信息，并將結果輸入到分割網絡模塊；所述分割網絡模塊用于對所述劃痕圖像樣本進行像素級別的語義分割，并將結果輸入到決策網絡模塊；所述決策網絡模塊用于輸出特征向量。

另外，根據本發明上述實施例的表面劃痕檢測神經網絡的構建方法，還可以具有以下附加的技術特征：

進一步地，在本發明的一個實施例中，所述特征提取模塊包括粗糙提取子模塊和局部殘差子模塊，所述粗糙提取子模塊提取的粗糙圖像特征信息用于輸入到局部殘差子模塊。

進一步地，在本發明的一個實施例中，所述粗糙提取子模塊包括兩個卷積核大小為3×3的卷積層。

進一步地，在本發明的一個實施例中，所述特征提取模塊還包括注意力子模塊；

所述局部殘差子模塊對接收到的所述粗糙圖像特征信息進行處理，得到殘差圖像特征信息，并將所述殘差圖像特征信息傳遞給對應的注意力子模塊；

將所述殘差圖像特征信息在注意力子模塊中與注意力掩模點乘操作，提取得到關注區域特征信息；

將所述關注區域特征信息和殘差圖像特征信息進行融合，并輸入到所述分割網絡模塊。