[發明專利]一種基于卷積神經網絡的工業產品表面缺陷檢測和分類裝置

有效

• 申請號: 202010852805.4
• 申請日: 2020-08-22
• 公開（公告）號: CN112686833B
• 公開（公告）日: 2023-06-06
• 發明（設計）人: 陳鵬;黃健;鄭春厚;章軍;王兵
• 申請（專利權）人: 安徽大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/26;G06V10/764;G06V10/774;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 合肥四閱專利代理事務所(普通合伙) 34182
• 代理人: 方星星

本發明涉及工業產品表面的缺陷檢測和分類技術領域，公開了一種基于卷積神經網絡的工業產品表面缺陷檢測和分類裝置，包括圖片采集系統、缺陷檢測系統、顯示系統、數據分發系統和模型更新系統，所述圖片采集系統包括ARM芯片、標號模塊、攝像模塊和數據發送模塊A。本發明具有缺陷檢出、缺陷定位和缺陷分類的功能，利用監控模塊可以實時采集產品表面情況以及進行相應的缺陷檢測和分類任務，且基于度量學習的小樣本分類網絡進行缺陷的分類，能夠在ImageNet數據集上訓練，在缺陷檢測時，不需要大量的數據集進行訓練，只要很少的產品缺陷數據就能獲得良好的結果，且自動化程度高，準確率高，成本較低。

技術領域

本發明涉及工業產品表面的缺陷檢測和分類技術領域，具體是一種基于卷積神經網絡的工業產品表面缺陷檢測和分類裝置。

背景技術

在工業生產中，為了保證最后產品的質量，最后的質量檢查是必不可少的步驟，由于缺陷存在，導致使用該產品的設備不穩定，或者生產該產品的工廠的良品率太低。

目前一般會采用人工檢查的方式，然而這會帶來很大的人力資源消耗，并且效率比較低下，人一旦疲勞，可能會造成很多漏檢的情況，而且工業產品種類繁多，每次在檢查新產品時總是需要培養工人，且自動化程度低，準確率低，成本較高。

發明內容

本發明的目的在于提供一種基于卷積神經網絡的工業產品表面缺陷檢測和分類裝置，以解決上述背景技術中提出的問題。

為實現上述目的，本發明提供如下技術方案：

一種基于卷積神經網絡的工業產品表面缺陷檢測和分類裝置，包括圖片采集系統、缺陷檢測系統、顯示系統、數據分發系統和模型更新系統，所述圖片采集系統包括ARM芯片、標號模塊、攝像模塊和數據發送模塊A，所述ARM芯片用于對攝像模塊進行控制，并實時檢測是否有產品在攝像模塊視覺范圍內，所述攝像模塊用于對待檢測圖片進行圖像的采集，所述標號模塊用于對所采集的圖片進行標號使其對應產品，并通過數據發送模塊A傳送至數據分發系統中；

所述數據分發系統包含接收模塊和信息轉發模塊，所述接收模塊用于接收圖片采集系統和缺陷檢測系統發送的信息，并通過信息轉發模塊轉發至缺陷檢測系統、顯示系統和模型更新系統；

所述缺陷檢測系統包括數據接收模塊B、缺陷檢測模塊和數據發送模塊B，所述數據接收模塊B在獲得攝像模塊拍攝的工業產品圖片后，通過缺陷檢測模塊中模型判斷該產品表面是否存在缺陷，再依次通過數據發送模塊B和數據分發系統中的接收模塊和信息轉發模塊將檢測結果傳送至顯示系統中，通過顯示系統顯示工業產品是否為缺陷產品，如果為缺陷產品并將缺陷的位置顯示出來；

所述顯示系統包含數據接收模塊C、數據處理模塊、顯示模塊和數據存儲模塊，所述數據接收模塊C用于接收數據分發系統中信息轉發模塊傳輸過來的信息，并通過數據處理模塊對信息進行處理，所述數據存儲模塊用于存儲數據處理模塊處理的數據，所述顯示模塊用于顯示判斷產品是否包含缺陷，以及若有缺陷顯示出缺陷的位置；

所述模型更新系統包含掩碼產生模塊、模型數據模塊和數據發送模塊C，所述掩碼產生模塊用于接收數據分發系統中信息轉發模塊傳輸過來的產品圖片，并對有缺陷的圖片產生后語義分割的掩碼，以用于后續的模型訓練；所述模型數據模塊用于訓練缺陷檢測系統中模型，將訓練后的模型數據依次通過數據發送模塊C和數據接收模塊B傳入缺陷檢測模塊以更新模型參數，以提高模型的性能。

作為本發明再進一步的方案：所述缺陷檢測系統的檢測方法包括語義分割中的全卷積神經網絡的方法(FCN)和基于度量學習的小樣本分類網絡的方法，所述語義分割中的全卷積神經網絡的方法(FCN)用于進行訓練并保存數據模型，以分割出缺陷位置和對有無缺陷進行判別，所述基于度量學習的小樣本分類網絡的方法用于對有缺陷的產品進行分類，判斷其缺陷的種類，以訓練得出最優化的模型。

作為本發明再進一步的方案：所述模型更新系統中掩碼產生模塊的掩碼產生方法如下：