[發明專利]基于深度學習和機器視覺的產品表面缺陷檢測方法及裝置

在審

• 申請號: 202010550884.3
• 申請日: 2020-06-16
• 公開（公告）號: CN111445471A
• 公開（公告）日: 2020-07-24
• 發明（設計）人: 沈井學
• 申請（專利權）人: 杭州百子尖科技股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06N3/04;G06N3/08;G01N21/88
• 代理公司: 杭州九洲專利事務所有限公司 33101
• 代理人: 沈敏強

1.一種基于深度學習和機器視覺的產品表面缺陷檢測方法，其特征在于：

用工業相機的行掃描方式采集待檢測產品的表面圖像；

實時對采集的圖像進行缺陷特征預處理，快速確定該待檢測產品的表面圖像中是否存在缺陷；

利用訓練好的深度卷積神經網絡模型對存在缺陷的圖像進行缺陷嚴重程度的識別和缺陷類型的分類；

所述訓練好的深度卷積神經網絡模型是在經典神經網絡模型Inception-v3上進行遷移學習、改造和訓練而成。

2.根據權利要求1所述的基于深度學習和機器視覺的產品表面缺陷檢測方法，其特征在于，對Inception-v3進行如下遷移改造：

保留Inception-v3結構的輸入層至倒數第二層，并將其進行模型結構和權重參數的凍結；

刪除Inception-v3結構的最后一層全連接層，并以三層的全連接層代替，該三層的全連接層包括：第一層大小為1*1*500，第二層大小為1*1*300，第三層大小為1*1*N，N為類別。

3.根據權利要求2所述的基于深度學習和機器視覺的產品表面缺陷檢測方法，其特征在于：

獲取若干相應產品的表面質量圖像，形成數據集，并對數據集內的圖像數據進行數據增強，包括翻轉和降噪，增加數據集內的數據量；

將數據集中的圖像數據輸入改造過的Inception-v3網絡模型中，設置并不斷優化模型的超參數；

最佳超參數條件下的所述改造過的Inception-v3網絡模型為所述訓練好的深度卷積神經網絡模型。

4.根據權利要求1所述的基于深度學習和機器視覺的產品表面缺陷檢測方法，其特征在于，所述確定該待檢測產品的表面圖像中是否存在缺陷的判斷方法：

設定缺陷灰度下限值，用相機行掃描的方式得到的小塊圖像計算灰度均值，如果灰度均值大于設定的缺陷灰度下限值，則認為是缺陷圖像進行存儲，并進行后續的識別和分類處理；如果灰度均值小于或等于設定的缺陷灰度下限值，則認為是無缺陷圖像，不進行存儲或輸出，降低缺陷檢測的計算量。

5.一種基于深度學習和機器視覺的產品表面缺陷檢測裝置，其特征在于：

圖像獲取模塊，用于用工業相機的行掃描方式采集待檢測產品的表面圖像；

缺陷確定模塊，用于實時對采集的圖像進行缺陷特征預處理，快速確定該待檢測產品的表面圖像中是否存在缺陷；

缺陷識別及分類模塊，用于利用訓練好的深度卷積神經網絡模型對存在缺陷的圖像進行缺陷嚴重程度的識別和缺陷類型的分類；

所述訓練好的深度卷積神經網絡模型是在經典神經網絡模型Inception-v3上進行遷移學習、改造和訓練而成。

6.根據權利要求5所述的基于深度學習和機器視覺的產品表面缺陷檢測裝置，其特征在于，對Inception-v3進行如下遷移改造：

保留Inception-v3結構的輸入層至倒數第二層，并將其進行模型結構和權重參數的凍結；

刪除Inception-v3結構的最后一層全連接層，并以三層的全連接層代替，該三層的全連接層包括：第一層大小為1*1*500，第二層大小為1*1*300，第三層大小為1*1*N，N為類別。

7.根據權利要求6所述的基于深度學習和機器視覺的產品表面缺陷檢測裝置，其特征在于：

獲取若干相應產品的表面質量圖像，形成數據集，并對數據集內的圖像數據進行數據增強，包括翻轉和降噪，增加數據集內的數據量；

將數據集中的圖像數據輸入改造過的Inception-v3網絡模型中，設置并不斷優化模型的超參數；

最佳超參數條件下的所述改造過的Inception-v3網絡模型為所述訓練好的深度卷積神經網絡模型。