[發(fā)明專利]一種基于深度學(xué)習(xí)的涂層表面缺陷識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110226014.5
• 申請(qǐng)日: 2021-03-01
• 公開(kāi)（公告）號(hào): CN112950584B
• 公開(kāi)（公告）日: 2022-07-29
• 發(fā)明（設(shè)計(jì)）人: 陳宗陽(yáng);呂永勝;趙輝;沙建軍;趙博;房海波;沙香港
• 申請(qǐng)（專利權(quán)）人: 哈爾濱工程大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06V10/44;G06V10/764;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

本發(fā)明提供一種基于深度學(xué)習(xí)的涂層表面缺陷識(shí)別方法，包括以下步驟：S1：選取特征提取網(wǎng)絡(luò)；S2:設(shè)計(jì)倒金字塔型分類器；S3：構(gòu)建識(shí)別模型；S4：使用優(yōu)化調(diào)整后的訓(xùn)練方法訓(xùn)練識(shí)別模型；S5：對(duì)涂層表面缺陷進(jìn)行識(shí)別。本發(fā)明提供的一種基于深度學(xué)習(xí)的涂層表面缺陷識(shí)別方法，能夠在小樣本情況下實(shí)現(xiàn)對(duì)涂層表面缺陷的快速高精度識(shí)別，在涂層表面缺陷自動(dòng)化檢測(cè)識(shí)別領(lǐng)域具有較好的使用前景。

技術(shù)領(lǐng)域

本發(fā)明屬于表面缺陷識(shí)別、深度學(xué)習(xí)領(lǐng)域，特別是一種基于深度學(xué)習(xí)的涂層表面缺陷識(shí)別方法。

背景技術(shù)

涂層是在金屬或非金屬基體表面形成的一層具有一定厚度、不同于基體材料且具有一定的強(qiáng)化、防護(hù)或特殊功能的覆蓋層，在現(xiàn)代機(jī)械設(shè)備上得到了廣泛的使用。然而在實(shí)際噴涂和使用過(guò)程中，涂層極易出現(xiàn)各類缺陷，如流掛、橘皮、露底、龜裂等，從而極大的降低涂層整體的防護(hù)性能、縮短使用壽命，進(jìn)而對(duì)涂層使用設(shè)備造成影響。

以往依靠人眼進(jìn)行涂層表面缺陷檢測(cè)識(shí)別的方法因成本高、耗時(shí)長(zhǎng)且需要一定的經(jīng)驗(yàn)知識(shí)，很難滿足工業(yè)生產(chǎn)的精度和速度需求。傳統(tǒng)的機(jī)器視覺(jué)技術(shù)通過(guò)手工提取特征，利用圖像處理技術(shù)對(duì)涂層缺陷進(jìn)行檢測(cè)識(shí)別，該方法能夠在一定程度上提高涂層缺陷自動(dòng)化檢測(cè)水平，但其還面臨著檢測(cè)速度慢、精度低、硬件配置要求高等問(wèn)題。深度學(xué)習(xí)技術(shù)作為機(jī)器學(xué)習(xí)領(lǐng)域中的研究熱點(diǎn)，能夠較好的克服手工提取特征的缺點(diǎn)，在檢測(cè)速度上也具有明顯的優(yōu)勢(shì)，因此在缺陷檢測(cè)領(lǐng)域呈現(xiàn)了巨大的潛力。

基于此，本文提出了一種基于深度學(xué)習(xí)的涂層表面缺陷識(shí)別方法。針對(duì)多類型涂層表面缺陷識(shí)別任務(wù)的特點(diǎn)，對(duì)現(xiàn)有深度學(xué)習(xí)算法及其訓(xùn)練方法進(jìn)行優(yōu)化調(diào)整，實(shí)現(xiàn)小樣本下對(duì)涂層表面缺陷的快速、精準(zhǔn)識(shí)別。

發(fā)明內(nèi)容

本發(fā)明的目的是為解決多類型涂層表面缺陷自動(dòng)化檢測(cè)過(guò)程中識(shí)別精度和速度不佳的問(wèn)題而提出一種基于深度學(xué)習(xí)的涂層表面缺陷識(shí)別方法，該方法能夠在訓(xùn)練數(shù)據(jù)較少、運(yùn)行時(shí)間較短的情況下實(shí)現(xiàn)對(duì)涂層表面缺陷的高精度識(shí)別，可以為涂層表面缺陷自動(dòng)化檢測(cè)提供有效的實(shí)施方法。

本發(fā)明的目的是這樣實(shí)現(xiàn)的：

步驟如下：

S1：選取特征提取網(wǎng)絡(luò)，用于對(duì)輸入圖像快速進(jìn)行特征提??；

S2：設(shè)計(jì)倒金字塔型分類器，用于利用特征數(shù)據(jù)進(jìn)行識(shí)別操作；

S3：構(gòu)建識(shí)別模型；

S4：使用優(yōu)化調(diào)整后的訓(xùn)練方法訓(xùn)練識(shí)別模型，得到涂層表面缺陷識(shí)別模型；

S5：對(duì)涂層表面缺陷進(jìn)行識(shí)別。

本發(fā)明還包括這樣一些結(jié)構(gòu)特征：

1.所述的步驟S1包括以下子步驟：

S11：選取輕量級(jí)神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的特點(diǎn)在于：參數(shù)量少、計(jì)算代小，具體包括：MobileNet系列、ShuffleNet系列；

S12：對(duì)輕量級(jí)神經(jīng)網(wǎng)絡(luò)進(jìn)行剪枝(Pruning)，去除其最后一個(gè)block結(jié)構(gòu)之后的網(wǎng)絡(luò)部分，保留剩余的網(wǎng)絡(luò)結(jié)構(gòu)作為特征提取網(wǎng)絡(luò)，該網(wǎng)絡(luò)可快速進(jìn)行特征提取并輸出特征圖。

2.所述的步驟S2包括以下子步驟：

S21：對(duì)輸入特征圖進(jìn)行通道數(shù)壓縮，壓縮后特征圖通道數(shù)為輸入通道數(shù)的9/20～3/4之間；

S22：對(duì)特征圖進(jìn)行通道數(shù)壓縮和尺寸壓縮，壓縮后特征圖通道數(shù)為先前的1/6～1/2之間且還應(yīng)處于識(shí)別目標(biāo)種類數(shù)的7～13倍之間，在二者發(fā)生沖突時(shí)以后者為主；壓縮后特征圖尺寸為先前的3/5～4/5之間；

S23：提取特征圖在每個(gè)通道上的顯著特征，并依據(jù)顯著特征進(jìn)行識(shí)別結(jié)果預(yù)測(cè)，其中識(shí)別結(jié)果預(yù)測(cè)可由卷積操作、全連接操作得到。

3.所述的步驟S3具體步驟如下：