[發明專利]一種基于終身學習卷積神經網絡的產品表面缺陷識別方法

有效

• 申請號: 202011490170.4
• 申請日: 2020-12-16
• 公開（公告）號: CN112541905B
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 高亮;高藝平;李新宇
• 申請（專利權）人: 華中科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/40;G06V10/82;G06N3/04;G06N3/08;G01N21/88
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 孔娜;李智

本發明屬于神經網絡缺陷識別領域，并具體公開了一種基于終身學習卷積神經網絡的產品表面缺陷識別方法，其包括：S1、構建卷積神經網絡模型，其包括特征提取器、檢測器和識別器；S2、通過已知類別缺陷圖像對卷積神經網絡模型進行訓練，得到缺陷識別模型；S3、將待識別圖像輸入缺陷識別模型，由特征提取器提取圖像中的特征向量，然后通過檢測器對特征向量進行判別，若為已知類別缺陷，則通過識別器對特征向量進行分類，得到圖像缺陷類別；若為未知類別缺陷，則識別器根據特征向量，通過終身學習策略對識別器中參數進行調整，并根據新已知類別缺陷再次訓練檢測器。本發明實現了未知缺陷類型的自動檢測和識別，且識別結果更加準確。

技術領域

本發明屬于神經網絡缺陷識別領域，更具體地，涉及一種基于終身學習卷積神經網絡的產品表面缺陷識別方法。

背景技術

產品表面缺陷識別在現代制造業中發揮著重要的作用。良好的缺陷識別技術能夠有效地保證產品質量，降低不必要的經濟損失，避免由于表面缺陷引起的產品物理屬性改變而造成的危險情況(如鋼鐵表面缺陷造成剛度下降等)。同時，良好的缺陷識別技術還可以及時為生產調控提供參考依據，保證整個制造系統高效運行。因此，產品表面缺陷識別具有十分重要的應用價值和應用前景。

隨著工業大數據物聯網、工業大數據、智能傳感器等新興數據技術的飛速發展，制造系統采集了大量的產品表面圖像數據。因此，基于圖像的產品表面缺陷識別技術受到了工業界和學術界越來越多的關注。與此同時，隨著卷積神經網絡在圖像識別領域取得的成功，利用先進的卷積神經網絡技術實現準確的缺陷圖像識別，成為了缺陷識別領域的重要發展趨勢之一。

傳統基于圖像的產品表面缺陷識別方法，如支持向量機(SVM)，淺層神經網絡等，大多需要人工手動提取特征。特征提取的好壞，直接決定了算法的性能上界。然而，手工特征提取過程依賴大量的專業領域知識，且非常耗時，不利于缺陷識別方法的推廣。

卷積神經網絡作為深度學習的代表性模型之一，可以實現端到端的圖像特征自動提取，避免了傳統特征提取過程對專業領域知識的依賴，具有更好的適用性。與此同時，卷積神經網絡在圖像識別領域取得的成果，也為其在缺陷識別領域的成功應用提供了豐富的指導經驗。因此，卷積神經網絡在產品表面缺陷識別領域有著廣泛的應用，并取得了良好的識別效果。

然而，傳統的卷積神經網絡只能識別已知類型缺陷，即該類型缺陷在訓練過程中已經存在。對于未知缺陷類型，即該缺陷類別在訓練時并未出現，則常用的卷積神經網絡無法給出正確的判斷，從而造成缺陷誤判。在現實生產過程中，由于不同類型缺陷發生的概率不同，導致某些類別的缺陷在經歷很長的一段生產時間后才會出現，因此未知類型缺陷在實際生產中是一種常見的現象。首先，傳統的卷積神經網絡無法自動檢測是否存在未知類別缺陷，導致未知缺陷類別被誤分。其次，傳統的卷積神經網絡模型需要重新訓練和調整，時間代價較大，嚴重影響整個制造系統的運行效率。因此，需要提出一種新的卷積神經網絡模型，可以實現未知類別缺陷的自動化檢測，并通過簡單策略，迅速調整識別模型，保證缺陷檢測的順利運行，確保整個制造系統的生產效率。

發明內容

針對現有技術的以上缺陷或改進需求，本發明提供了一種基于終身學習卷積神經網絡的產品表面缺陷識別方法，其目的在于，通過構建基于檢測器-識別器雙輸出卷積神經網絡識別模型，并引入終身學習策略，實現未知缺陷類型的自動檢測和識別，提高了模型的適用性，確保缺陷檢測的順利進行。

為實現上述目的，本發明提出了一種基于終身學習卷積神經網絡的產品表面缺陷識別方法，包括如下步驟：

S1、構建卷積神經網絡模型，該初卷積神經網絡模型包括特征提取器、檢測器和識別器，其中，特征提取器用于提取圖像中的特征向量，檢測器用于判別特征向量是已知類別缺陷或未知類別缺陷，識別器用于對已知類別缺陷進行分類；

S2、通過預獲取的已知類別缺陷圖像數據集對卷積神經網絡模型進行訓練，得到缺陷識別模型；