一种应用于机箱表面划痕检测的深度卷积神经网络方法技术

本发明专利技术属于机器视觉领域，涉及一种应用于机箱表面划痕检测的深度卷积神经网络方法。该方法通过深度卷积神经网络对机箱表面划痕图片进行训练，建立应用于机箱表面划痕检测的深度卷积神经网络模型。经过测试选出最优的深度卷积神经网络模型，利用彩色摄像机采集机箱表面图像，由最优的深度卷积神经网络模型对机箱表面划痕进行检测。本发明专利技术设计的深度卷积神经网络，可以有效的解决光照环境多变的机箱表面细微划痕检测的难题。

【技术实现步骤摘要】
一种应用于机箱表面划痕检测的深度卷积神经网络方法
本专利技术涉及一种应用于机箱表面划痕检测的深度卷积神经网络方法，更具体的说，本专利技术涉及一种能够用于机箱细微划痕缺陷检测的深度卷积神经网络方法。
技术介绍
深度学习是目前人工智能、机器学习领域异常火热的研究方向，已经在语音识别、图像识别、自然语言处理等诸多领域取得了突破性进展，对学术界和工业界产生了深远的影响。随着工业4.0的迅速发展，工业生产线的机箱产品有着极大的产量需求。由于生产工艺、运输工程中的意外情况，机箱表面往往存在各种不同程度的划痕缺陷，而这些含有划痕缺陷的产品会直接影响产品的质量。目前，对于相关工业产品的缺陷检测仍是依赖人工检测。人工检测不仅存在较高的误检率，而且大大增加了产品成本。近年来，基于机器视觉的自动化缺陷检测方法被广大研究者所关注，也越来越受到厂商的青睐，但现行方法检测精度低且耗时长，不能满足实时检测需求，成为了制约机器取代人类进行缺陷检测的主要因素。目前已有的缺陷检测技术，大多采用传统的图像处理与识别技术，例如灰度变换、图像二值化、边缘检测、模板匹配等；采用较为经典的人工特征，例如SIFT，SURF，HAAR，HOG等算子，利用神经网络或SVM分类器进行图像分类。类似的以传统图像处理与特征提取为主要手段的缺陷检测方式，运用到了太阳能板的缺陷检测，钢轨的缺陷检测，LED缺陷检测等领域上，但是对于机箱的划痕缺陷检测这一问题，由于划痕缺陷存在面积较小，极其轻微，与背景对比度不强的特点，上述传统算法并不能良好地应用于机箱的划痕缺陷检测中，无论从处理时间还是检测的精准度上，都不能满足工业生产的需求。为了解决这一难题，本专利技术设计一种应用于机箱表面划痕检测的深度卷积神经网络方法。
技术实现思路
本专利技术提供一种应用于机箱表面划痕检测的深度卷积神经网络方法，该方法能够应用于机箱细微划痕缺陷检测。在不同光照环境，仍能实现对机箱表面划痕检测。所述的深度卷积神经网络方法的硬件系统包括：用于精度控制、图像采集和数据处理的计算机；用于采集图像的彩色摄像机；用于放置所述的彩色摄像机的操作平台；本专利技术所设计的深度卷积神经网络方法，其特征是：对机箱表面图像进行划痕检测，步骤如下：步骤1：选取含有机箱表面划痕图像的数据集，所述的机箱表面划痕图像数据集包含输入图像X张，标签图像X张，测试图像Y张，将所述的数据集的图像大小统一设置为3通道像素值为512×512的图像；步骤2：深度卷积神经网络模型的第一层输入层参数I1＝m1×m1×n1，设置m1＝512，n1＝3；步骤3：步骤2中所述的深度卷积神经网络模型的第二层卷积层参数C1＝m2×m2×n2，设置m2＝3，n2＝16，所述的深度卷积神经网络模型第二层卷积层的输出为Cout1；步骤4：步骤2中所述的深度卷积神经网络模型的第三层池化层参数P1＝m3×m3×n3，设置m3＝2，n3＝1；步骤5：步骤2中所述的深度卷积神经网络模型的第四层卷积层参数C2＝m4×m4×n4，设置m4＝3，n4＝32，所述的深度卷积神经网络模型第四层卷积层的输出为Cout2；步骤6：步骤2中所述的深度卷积神经网络模型的第五层池化层参数P2＝m5×m5×n5，设置m5＝2，n5＝1；步骤7：步骤2中所述的深度卷积神经网络模型的第六层卷积层参数C3＝m6×m6×n6，设置m6＝3，n6＝64，所述的深度卷积神经网络模型第六层卷积层的输出为Cout3；步骤8：步骤2中所述的深度卷积神经网络模型的第七层池化层参数P3＝m7×m7×n7，设置m7＝2，n7＝1；步骤9：步骤2中所述的深度卷积神经网络模型的第八层卷积层参数C4＝m8×m8×n8，设置m8＝3，n8＝128，所述的深度卷积神经网络模型第八层卷积层的输出为Cout4；步骤10：步骤2中所述的深度卷积神经网络模型的第九层池化层参数P4＝m9×m9×n9，设置m9＝2，n9＝1；步骤11：步骤2中所述的深度卷积神经网络模型第十层卷积层参数C5＝m10×m10×n10，设置m10＝3，n10＝256，所述的深度卷积神经网络模型第十层卷积层的输出为Cout5；步骤12：步骤2中所述的深度卷积神经网络模型的第十一层反卷积层参数D1＝md11×md11×nd11，设置md11＝3，nd11＝128，所述的深度卷积神经网络模型第十一层反卷积层的输出为Dout1，将步骤9中所述的深度卷积神经网络模型第八层卷积层的输出Cout4与所述的深度卷积神经网络模型第十一层反卷积层的输出Dout1进行叠加获得深度卷积神经网络模型第十一层的复合层R1；步骤13：步骤2中所述的深度卷积神经网络模型的第十二层卷积层参数C6＝m12×m12×n12，设置m12＝3，n12＝128；步骤14：步骤2中所述的深度卷积神经网络模型的第十三层反卷积层参数D2＝md13×md13×nd13，设置md13＝3，nd13＝64，所述的深度卷积神经网络模型第十三层反卷积层的输出为Dout2，将步骤7中所述的深度卷积神经网络模型第六层卷积层的输出Cout3与上述的深度卷积神经网络模型第十三层反卷积层的输出Dout2进行叠加获得深度卷积神经网络模型第十一层的复合层R2；步骤15：步骤2中所述的深度卷积神经网络模型的第十四层卷积层参数C7＝m14×m14×n14，设置m14＝3，n14＝64；步骤16：步骤2中所述的深度卷积神经网络模型的第十五层反卷积层参数D3＝md15×md15×nd15，设置md15＝3，nd15＝32，所述的深度卷积神经网络模型第十五层反卷积层的输出为Dout3，将步骤5中所述的深度卷积神经网络模型第四层卷积层的输出Cout2与上述的深度卷积神经网络模型第十五层的反卷积层的输出Dout3进行叠加获得深度卷积神经网络模型第十五层的复合层R3；步骤17：步骤2中所述的深度卷积神经网络模型的第十六层卷积层参数C8＝m16×m16×n16，设置m16＝3，n16＝32；步骤18：步骤2中所述的深度卷积神经网络模型的第十七层反卷积层参数D4＝md17×md17×nd17，设置md17＝3，nd17＝16，所述的深度卷积神经网络模型第十七层反卷积层的输出为Dout4，将步骤3中所述的深度卷积神经网络模型的第二层卷积层输出Cout1与上述的深度卷积神经网络模型的第十七层的反卷积层输出Dout4进行叠加获得深度卷积神经网络模型的第十七层的复合层R4；步骤19：步骤2中所述的深度卷积神经网络模型的第十八层卷积层参数C9＝m18×m18×n18，设置m18＝3，n18＝16；步骤20：步骤2中所述的深度卷积神经网络模型的第十九层卷积层参数C10＝m19×m19×n19，设置m19＝1，n19＝1，所述的深度卷积神经网络模型的第十九层卷积层输出为OUT＝512×512×1；步骤21：将步骤1中的X张输入图像与X张标签图像导入步骤2至步骤20设置好的深度卷积神经网络模型进行训练；步骤22：将步骤1中的Y张测试图像导入步骤21中训练好的深度卷积神经网络模型进行测试；步骤23：启动采集图像的彩色摄像机，对机箱表面图像进行采集；步骤24：对步骤23中所述的机箱表面图像进行切割，设置切割尺寸为512×512；步骤25：将步骤24中切割好的机箱表面图像输本文档来自技高网...

【技术保护点】
1.本专利技术所设计的深度卷积神经网络方法，其特征是：对机箱表面图像进行划痕检测，步骤如下：步骤1：选取含有机箱表面划痕图像的数据集，所述的机箱表面划痕图像数据集包含输入图像X张，标签图像X张，测试图像Y张，将所述的数据集的图像大小统一设置为3通道像素值为512×512的图像；步骤2：深度卷积神经网络模型的第一层输入层参数I1＝m1×m1×n1，设置m1＝512，n1＝3；步骤3：步骤2中所述的深度卷积神经网络模型的第二层卷积层参数C1＝m2×m2×n2，设置m2＝3，n2＝16，所述的深度卷积神经网络模型第二层卷积层的输出为Cout1；步骤4：步骤2中所述的深度卷积神经网络模型的第三层池化层参数P1＝m3×m3×n3，设置m3＝2，n3＝1；步骤5：步骤2中所述的深度卷积神经网络模型的第四层卷积层参数C2＝m4×m4×n4，设置m4＝3，n4＝32，所述的深度卷积神经网络模型第四层卷积层的输出为Cout2；步骤6：步骤2中所述的深度卷积神经网络模型的第五层池化层参数P2＝m5×m5×n5，设置m5＝2，n5＝1；步骤7：步骤2中所述的深度卷积神经网络模型的第六层卷积层参数C3＝m6×m6×n6，设置m6＝3，n6＝64，所述的深度卷积神经网络模型第六层卷积层的输出为Cout3；步骤8：步骤2中所述的深度卷积神经网络模型的第七层池化层参数P3＝m7×m7×n7，设置m7＝2，n7＝1；步骤9：步骤2中所述的深度卷积神经网络模型的第八层卷积层参数C4＝m8×m8×n8，设置m8＝3，n8＝128，所述的深度卷积神经网络模型第八层卷积层的输出为Cout4；步骤10：步骤2中所述的深度卷积神经网络模型的第九层池化层参数P4＝m9×m9×n9，设置m9＝2，n9＝1；步骤11：步骤2中所述的深度卷积神经网络模型第十层卷积层参数C5＝m10×m10×n10，设置m10＝3，n10＝256，所述的深度卷积神经网络模型第十层卷积层的输出为Cout5；步骤12：步骤2中所述的深度卷积神经网络模型的第十一层反卷积层参数D1＝md11×md11×nd11，设置md11＝3，nd11＝128，所述的深度卷积神经网络模型第十一层反卷积层的输出为Dout1，将步骤9中所述的深度卷积神经网络模型第八层卷积层的输出Cout4与所述的深度卷积神经网络模型第十一层反卷积层的输出Dout1进行叠加获得深度卷积神经网络模型第十一层的复合层R1；步骤13：步骤2中所述的深度卷积神经网络模型的第十二层卷积层参数C6＝m12×m12×n12，设置m12＝3，n12＝128；步骤14：步骤2中所述的深度卷积神经网络模型的第十三层反卷积层参数D2＝md13×md13×nd13，设置md13＝3，nd13＝64，所述的深度卷积神经网络模型第十三层反卷积层的输出为Dout2，将步骤7中所述的深度卷积神经网络模型第六层卷积层的输出Cout3与上述的深度卷积神经网络模型第十三层反卷积层的输出Dout2进行叠加获得深度卷积神经网络模型第十一层的复合层R2；步骤15：步骤2中所述的深度卷积神经网络模型的第十四层卷积层参数C7＝m14×m14×n14，设置m14＝3，n14＝64；步骤16：步骤2中所述的深度卷积神经网络模型的第十五层反卷积层参数D3＝md15×md15×nd15，设置md15＝3，nd15＝32，所述的深度卷积神经网络模型第十五层反卷积层的输出为Dout3，将步骤5中所述的深度卷积神经网络模型第四层卷积层的输出Cout2与上述的深度卷积神经网络模型第十五层的反卷积层的输出Dout3进行叠加获得深度卷积神经网络模型第十五层的复合层R3；步骤17：步骤2中所述的深度卷积神经网络模型的第十六层卷积层参数C8＝m16×m16×n16，设置m16＝3，n16＝32；步骤18：步骤2中所述的深度卷积神经网络模型的第十七层反卷积层参数D4＝md17×md17×nd17，设置md17＝3，nd17＝16，所述的深度卷积神经网络模型第十七层反卷积层的输出为Dout4，将步骤3中所述的深度卷积神经网络模型的第二层卷积层输出Cout1与上述的深度卷积神经网络模型的第十七层的反卷积层输出Dout4进行叠加获得深度卷积神经网络模型的第十七层的复合层R4；步骤19：步骤2中所述的深度卷积神经网络模型的第十八层卷积层参数C9＝m18×m18×n18，设置m18＝3，n18＝16；步骤20：步骤2中所述的深度卷积神经网络模型的第十九层卷积层参数C10＝m19×m19×n19，设置m19＝1，n19＝1，所述的深度卷积神经网络模型的第十九层卷积层输出为OUT＝512×512×1；步骤21：将步骤1中的X张输入图像与X张标签图像导入步骤2至步骤20设置好的深度卷积神经网络模型进行训练；步骤22：将步骤1中的Y...

【技术特征摘要】
1.本发明所设计的深度卷积神经网络方法，其特征是：对机箱表面图像进行划痕检测，步骤如下：步骤1：选取含有机箱表面划痕图像的数据集，所述的机箱表面划痕图像数据集包含输入图像X张，标签图像X张，测试图像Y张，将所述的数据集的图像大小统一设置为3通道像素值为512×512的图像；步骤2：深度卷积神经网络模型的第一层输入层参数I1＝m1×m1×n1，设置m1＝512，n1＝3；步骤3：步骤2中所述的深度卷积神经网络模型的第二层卷积层参数C1＝m2×m2×n2，设置m2＝3，n2＝16，所述的深度卷积神经网络模型第二层卷积层的输出为Cout1；步骤4：步骤2中所述的深度卷积神经网络模型的第三层池化层参数P1＝m3×m3×n3，设置m3＝2，n3＝1；步骤5：步骤2中所述的深度卷积神经网络模型的第四层卷积层参数C2＝m4×m4×n4，设置m4＝3，n4＝32，所述的深度卷积神经网络模型第四层卷积层的输出为Cout2；步骤6：步骤2中所述的深度卷积神经网络模型的第五层池化层参数P2＝m5×m5×n5，设置m5＝2，n5＝1；步骤7：步骤2中所述的深度卷积神经网络模型的第六层卷积层参数C3＝m6×m6×n6，设置m6＝3，n6＝64，所述的深度卷积神经网络模型第六层卷积层的输出为Cout3；步骤8：步骤2中所述的深度卷积神经网络模型的第七层池化层参数P3＝m7×m7×n7，设置m7＝2，n7＝1；步骤9：步骤2中所述的深度卷积神经网络模型的第八层卷积层参数C4＝m8×m8×n8，设置m8＝3，n8＝128，所述的深度卷积神经网络模型第八层卷积层的输出为Cout4；步骤10：步骤2中所述的深度卷积神经网络模型的第九层池化层参数P4＝m9×m9×n9，设置m9＝2，n9＝1；步骤11：步骤2中所述的深度卷积神经网络模型第十层卷积层参数C5＝m10×m10×n10，设置m10＝3，n10＝256，所述的深度卷积神经网络模型第十层卷积层的输出为Cout5；步骤12：步骤2中所述的深度卷积神经网络模型的第十一层反卷积层参数D1＝md11×md11×nd11，设置md11＝3，nd11＝128，所述的深度卷积神经网络模型第十一层反卷积层的输出为Dout1，将步骤9中所述的深度卷积神经网络模型第八层卷积层的输出Cout4与所述的深度卷积神经网络模型第十一层反卷积层的输出Dout1进行叠加获得深度卷积神经网络模型第十一层的复合层R1；步骤13：步骤2中所述的深度卷积神经网络模型的第十二层卷积层参数C6＝m12×m12×n12，设置m12＝3，n12＝128；步骤14：步骤2中所述的深度卷积神经网络模型的第十三层反卷积层参数D2＝md13×md13×nd13，设置md13＝...

【专利技术属性】
技术研发人员：宋丽梅，林文伟，郭庆华，
申请(专利权)人：天津工业大学，
类型：发明
国别省市：天津,12