[發明專利]一種基于神經網絡的磁瓦表面缺陷檢測方法

在審

• 申請號: 202110480208.8
• 申請日: 2021-04-30
• 公開（公告）號: CN113177921A
• 公開（公告）日: 2021-07-27
• 發明（設計）人: 李澤輝;王華龍;楊海東
• 申請（專利權）人: 佛山市南海區廣工大數控裝備協同創新研究院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06N3/04;G06N3/08;G01N21/88
• 代理公司: 廣州科沃園專利代理有限公司 44416
• 代理人: 馬盼

本發明公開了一種基于神經網絡的磁瓦表面缺陷檢測方法，本發明提供了一種基于神經網絡的磁瓦表面缺陷檢測方法。提出了一種端到端的CNN結構，稱為融合特征CNN(FFCNN)，FFCNN由三個模塊組成:特征提取模塊、特征融合模塊和決策模塊。特征提取模塊用于從不同的圖像中提取特征。特征融合模塊是對特征提取模塊提取的特征進行融合。決策模塊通過融合特征對標簽進行預測。在此基礎上，引入了一種注意機制，將注意力集中在具有代表性的部分上，抑制不太重要的信息。相比傳統的人工檢測，該檢測系統對磁瓦表面的缺陷檢測提高了效率和精度，降低了檢測成本。

技術領域

本發明涉及一種基于神經網絡的磁瓦表面缺陷檢測方法，具體涉及一種基于神經網絡的磁瓦表面缺陷檢測方法。

背景技術

磁瓦是用磁性材料制成的一種瓦片狀的永磁物體，是永磁電機中具有恒定磁場的定子或轉子的關鍵部件。其質量直接影響到性能和永磁電機的生命周期。如果有表面缺陷的磁磚未經過檢測而被使用，這將會造成嚴重的后果。因此開發一套高效、有效的磁瓦表面檢測技術就顯得尤為重要。

現多數廠商由于技術原因，還是采用人工檢測的方法，而人工檢測的方法存在以下問題：(1)人工檢測效率低、精度低，主觀因素大，且容易疲勞。(2)人眼難于識別微小的缺陷。而傳統的神經網絡檢測則不能直接從多幅圖像中獲取固有的聯合特征，不能準確識別表面缺陷。

發明內容

針對現有技術的不足，本發明的目的旨在提供一種基于神經網絡的磁瓦表面缺陷檢測方法。

為實現上述目的，本發明采用如下技術方案：

一種基于神經網絡的磁瓦表面缺陷檢測方法，包括以下步驟：

S1、采集磁瓦表面圖像，將所述磁瓦表面圖像分為訓練集和實驗集；

S2、用訓練集訓練神經網絡模型得到神經網絡模型Ⅰ；

S3、在訓練后的神經網絡模型Ⅰ中添加特征融合模塊，得到神經網絡模型Ⅱ；

S4、在神經網絡模型Ⅱ中引入注意機制，得到神經網絡Ⅲ；

S5、用神經網絡模型Ⅲ檢測所述實驗集，得到檢測結果，根據檢測結果判斷磁瓦表面是否存在缺陷。

進一步地，所述S1還包括：用旋轉圖像采集系統對M個磁瓦樣品表面從N個方向進行圖像收集，每個磁瓦樣品得到N張圖像，M和N均為大于0的整數。

進一步地，所述S2還包括：

S21、將所述訓練集根據不同的采集方向進行分類，將同一采集方向的不同磁瓦樣品的圖像歸類為一個流，共歸類出G個流，所述G為大于0的整數，所述G與M相等；

S22、將每個流輸入至原始神經網絡模型，對所述原始神經網絡模型進行預訓練，得到預訓練神經網絡模型；

S23、將預訓練神經網路模型的權值作為神經網絡模型的初始值，并對神經網絡模型進行訓練，直至收斂得到神經網絡模型Ⅰ；

進一步地，所述步驟S23還包括：使用CBAM(卷積塊注意模塊)來抑制不需要的信息，使用下式來計算損失：

式中，m表示最小批量；k表示類數；l{·}表示指示函數，其中，l{true}＝1,，l{false}＝0。

進一步地，所述S3還包括：使用連接算子進行所述特征融合模塊與神經網絡模型Ⅰ的融合。

進一步地，所述連接算子為連接運算符。

進一步地，所述注意機制為卷積層中的注意力模塊，所述卷積層中的注意力模塊包括通道注意模塊和空間注意模塊。