[發明專利]一種卷積神經網絡系統及表面裂紋檢測方法

在審

• 申請號: 202010109587.5
• 申請日: 2020-02-22
• 公開（公告）號: CN111340769A
• 公開（公告）日: 2020-06-26
• 發明（設計）人: 文二龍;張耀營;范云峰
• 申請（專利權）人: 蘇州杰銳思智能科技股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 蘇州睿昊知識產權代理事務所(普通合伙) 32277
• 代理人: 陳蜜

本發明公開了一種卷積神經網絡系統及表面裂紋檢測方法，該卷積神經網絡系統包括依次連接的輸入層、提取層、全連接層和分類器，提取層包括多個依次連接的主體層，每個主體層均包括卷積層和池化層，卷積層和池化層之間連接有感知機，卷積層用于利用線性濾波器進行線性卷積來提取圖像特征，感知機用于利用非線性激活函數對圖像特征進行處理。本發明還公開了一種基于上述系統的表面裂紋檢測方法。本發明能夠有效減少因網絡深度增加而易出現特征提取過擬合和訓練時間過長的問題，也能夠有效避免特征訓練時易出現缺陷特征丟失的問題，大大提高了檢測效率。

技術領域

本發明涉及表面檢測技術領域，具體涉及一種卷積神經網絡系統及表面裂紋檢測方法。

背景技術

產品表面裂紋，不僅影響到產品的外觀，還會降低產品本身的性能，從而影響產品的使用壽命，尤其是對于鐵制產品，其表面裂紋對于產品本身性能影響重大，因此，為保證產品質量，對于產品表面進行裂紋缺陷檢測是十分必要的。

現有技術中可利用卷積神經網絡(Convolutional Neural Network，CNN)的深度學習方式來對產品表面裂紋進行檢測，深度學習能夠對產品表面二維圖像進行特征學習，從而很好的提取缺陷特征。卷積神經網絡一般包括卷積層和池化層，主要利用線性卷積方式來進行特征提取，但是利用上述網絡進行特征訓練的時候，存在缺陷特征丟失的問題；且在增加網絡深度時會出現過擬合和訓練測試時間長的問題。

發明內容

本發明要解決的技術問題是提供一種卷積神經網絡系統及表面裂紋檢測方法，能夠有效減少因網絡深度增加而易出現特征提取過擬合和訓練時間過長的問題，也能夠有效避免特征訓練時易出現缺陷特征丟失的問題，利于提高檢測效率。

為了解決上述技術問題，本發明提供的技術方案如下：

一種卷積神經網絡系統，包括依次連接的輸入層、提取層、全連接層和分類器，所述提取層包括多個依次連接的主體層，每個所述主體層均包括卷積層和池化層，所述卷積層和池化層之間連接有感知機，所述卷積層用于利用線性濾波器進行線性卷積來提取圖像特征，所述感知機用于利用非線性激活函數對圖像特征進行處理。

在其中一個實施方式中，每個所述主體層中的所述卷積層和所述池化層之間均設置有多層所述感知機。

在其中一個實施方式中，所述感知機利用非線性的激活函數對圖像特征進行處理的計算公式為：

其中，表示第n層感知機中第k_n個輸出圖塊，表示第n-1層感知機中第k_n個輸出圖塊，表示第k_n個輸出圖塊的權重，表示第k_n個輸出圖塊的偏置項，n表示每個主體層中感知機的層數；表示常量，

在其中一個實施方式中，所述分類器采用Softmax函數對全連接層輸出的圖像數據進行分類。

在其中一個實施方式中，所述主體層的層數至少為4層。

在其中一個實施方式中，包括至少兩個所述全連接層。

在其中一個實施方式中，所述池化層采用平均池化或最大池化。

上述任一項所述的卷積神經網絡系統進行表面裂紋檢測的方法，包括以下步驟：

1)通過輸入層輸入產品表面檢測區域的原始圖像；

2)通過提取層中的多個主體層對所述原始圖像進行特征提取后最終得到特征圖像，后一個主體層以前一個主體層的輸出圖像作為輸入圖像；

每個所述主體層中的卷積層利用線性濾波器對輸入圖像進行線性卷積來提取圖像特征，感知機利用非線性的激活函數對卷積層提取的圖像特征進行處理后輸出圖像至池化層進行池化處理；