[發(fā)明專利]一種基于深度學習的制導光纖表面缺陷檢測與定位方法在審
| 申請?zhí)枺?/td> | 202111413088.6 | 申請日： | 2021-11-25 |
| 公開（公告）號： | CN114187242A | 公開（公告）日： | 2022-03-15 |
| 發(fā)明（設計）人： | 張小躍;王英竹;李志兵;吳揚波;白光遠 | 申請（專利權(quán)）人： | 北京航空航天大學 |
| 主分類號： | G06T7/00 | 分類號： | G06T7/00;G06N3/04;G06V10/764;G06V10/762;G06V10/82 |
| 代理公司： | 北京慧泉知識產(chǎn)權(quán)代理有限公司 11232 | 代理人： | 王順榮;唐愛華 |
| 地址： | 100191*** | 國省代碼： | 北京;11 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 一種 基于 深度 學習 制導 光纖 表面 缺陷 檢測 定位 方法 | ||
本發(fā)明提出一種基于深度學習的制導光纖表面缺陷檢測與定位方法，包括1、對圖像的預處理包括對圖像像素大小的統(tǒng)一和圖像數(shù)據(jù)擴增；2、使用LabelImg軟件對所有缺陷圖像進行人工標記，將數(shù)據(jù)集按6：2：2的比例分為訓練集、驗證集和測試集，完成制導光纖表面缺陷數(shù)據(jù)集的制作；3、基于ResNet分類網(wǎng)絡，設計缺陷分類算法—OResNet；4、基于one?stage檢測算法中的YOLOv3檢測算法，設計缺陷檢測與定位算法—OYOLOv3；選取OResNet作為OYOLOv3算法中的特征提取網(wǎng)絡部分；5、在缺陷圖像中對檢測定位到的缺陷部分進行標記。本發(fā)明便于實現(xiàn)對制導光纖表面的缺陷檢測，檢測速度快，檢測精度高；檢測過程簡單，節(jié)約人力和物力，穩(wěn)定性高，提高了檢測效率。
技術(shù)領域
本發(fā)明屬于深度學習技術(shù)領域，具體涉及一種基于深度學習的制導光纖表面缺陷檢測與定位方法。
背景技術(shù)
制導光纖是光纖制導導彈的信息傳輸通道，導彈在飛行過程中將拍攝獲取的目標信息通過制導光纖傳回地面操作人員，再由地面操控手對光纖制導導彈進行指令的傳輸，實現(xiàn)對導彈的控制。制導光纖在生產(chǎn)或者存放過程中，在光纖的表面可能會產(chǎn)生一些缺陷(比如劃痕、凸起等)，這些缺陷會直接影響到光纖中傳輸信號的質(zhì)量，進而影響導彈的制導精度，嚴重時可能導致傳輸系統(tǒng)崩潰。
制導光纖表面的缺陷檢測對于光纖制導導彈來說是十分必要的。傳統(tǒng)的檢測方法大多是采用人工檢測完成，其缺點是檢測過程需要人工監(jiān)督和修正，可能導致系統(tǒng)實時性和檢測一致性有所下降。隨著計算機技術(shù)的發(fā)展，基于深度學習的一些缺陷檢測算法得到了更多的研究與發(fā)展。
基于深度學習的缺陷檢測算法是通過設計網(wǎng)絡模型在數(shù)據(jù)集上進行訓練，使網(wǎng)絡學習到缺陷的特征，然后實現(xiàn)網(wǎng)絡對缺陷自動檢測與定位。與傳統(tǒng)的檢測方法相比，基于深度學習的缺陷檢測方法可以實現(xiàn)無接觸檢測判斷，避免大多數(shù)人為因素的影響，達到快而準的檢測效果。
發(fā)明內(nèi)容
本發(fā)明主要解決的問題是克服人工檢測制導光纖表面缺陷的不足，提升檢測的速度和精度。本發(fā)明提供一種基于深度學習的制導光纖表面缺陷檢測的方法。本發(fā)明基于深度學習，先對CCD相機(Charge Coupled Device Camera)獲取的制導光纖表面缺陷圖像進行預處理，然后提出了一種缺陷分類算法—OResNet(Optimized-ResNet)，實現(xiàn)了制導光纖表面缺陷的分類，最后提出了一種缺陷檢測算法—OYOLOv3(Optimized-YOLOv3)，使用該算法完成對缺陷的檢測與定位。
為了達到上述目的，本發(fā)明的技術(shù)方案為：
一種基于深度學習的制導光纖表面缺陷檢測與定位方法，包括以下步驟：
步驟1：圖像預處理；
制導光纖表面缺陷圖像均是由CCD工業(yè)相機拍攝獲取，對圖像的預處理包括對圖像像素大小的統(tǒng)一和圖像數(shù)據(jù)擴增。圖像的像素大小統(tǒng)一為380×380，數(shù)據(jù)擴增采用的是單樣本數(shù)據(jù)擴增的方法，使用平移、翻轉(zhuǎn)、添加噪聲、增加對比度等方法實現(xiàn)對缺陷圖像的數(shù)據(jù)擴增。
步驟2：制導光纖表面缺陷數(shù)據(jù)集的制作；
使用LabelImg軟件對所有缺陷圖像進行人工標記，將數(shù)據(jù)集按6：2：2的比例分為訓練集、驗證集和測試集。完成制導光纖表面缺陷數(shù)據(jù)集的制作。
步驟3：OResNet缺陷分類算法的設計；
基于ResNet分類網(wǎng)絡，發(fā)明了一種缺陷分類算法—OResNet。OResNet算法是在對OResNet算法的改進優(yōu)化，主要表現(xiàn)是對殘差結(jié)構(gòu)、最大池化層以及激活函數(shù)上的優(yōu)化。
步驟4：OYOLOv3缺陷檢測算法的設計；
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于北京航空航天大學，未經(jīng)北京航空航天大學許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202111413088.6/2.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
