一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备制造技术

本发明专利技术提供了一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备，通过USB数据线将计算机与高清摄像头进行连接，工作人员通过操作计算机中安装的计算机瑕疵图像识别系统下发控制命令，控制高清摄像头对传送带上的铝材进行拍照，得到图像数据，并将图像数据传输回计算机瑕疵图像识别系统；计算机瑕疵图像识别系统，该系统调用深度学习框架Pytorch将图像数据转换为张量数据，并采用基于Inception模型的卷积神经网络对张量数据进行计算，最终将得分最高的类别进行输出，该得分最高的类别即为识别出的瑕疵图像。本发明专利技术的有益效果是：减轻铝型材生产过程中的瑕疵检测方面的人力成本，提高瑕疵识别速率，保证铝型材的生产质量。

An Aluminum Defect Recognition Equipment Based on Inception Model and Convolutional Neural Network

【技术实现步骤摘要】
一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备
本专利技术涉及自动化图像处理铝材瑕疵
，尤其涉及一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备。
技术介绍
在铝型材的实际生产过程中，由于各方面因素的影响，铝型材表面会产生裂纹、起皮、划伤、擦花、不导电、角位露底、桔皮、露底、漆泡、起坑等十种常见瑕疵，这些瑕疵会严重影响铝型材的质量。为保证产品质量，需要人工进行肉眼目测。然而，铝型材的表面自身会含有纹路，与瑕疵的区分度不高。传统人工肉眼检查十分费力，不能及时准确的判断出表面瑕疵，质检的效率难以把控。自2012年来，深度学习在图像识别等领域取得了突飞猛进的成果。本专利技术核心算法即为Google公司开发的Inception卷积神经网络模型。通过卷积神经网络完成对铝材图像的自动瑕疵识别，极大提高了铝材生产环节中检测的工作效率，大大减小生产企业人力成本，加速生产过程自动化。基于此设备，铝材生产的质检环节有了保障，也减少人力在实际生产过程中的干预和误检。
技术实现思路
为了解决上述问题，本专利技术提供了一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备，包括：计算机，固定于铝材传送带旁，通过USB数据线与高清摄像头进行连接，用于安装、训练和运行计算机瑕疵图像识别系统；USB数据线，连接高清摄像头与计算机，用来传输图像数据；高清摄像头，在实际生产车间被安装于传送带上，工作人员通过操作计算机瑕疵图像识别系统下发控制命令，控制高清摄像头对传送带上的铝材进行拍照，得到图像数据，并将所述图像数据传输回计算机瑕疵图像识别系统；计算机瑕疵图像识别系统，该系统调用深度学习框架Pytorch将所述图像数据转换为张量数据，并采用基于Inception模型的卷积神经网络对所述张量数据进行计算得到高维向量，该高维向量中的每一维对应的数值分别表示属于每一类别的概率，最终将概率最高的数值对应的类别进行输出；若无瑕疵类别的概率最高时，该设备不输出，若设备输出，则输出的类别即为识别出的瑕疵图像。进一步地，计算机瑕疵图像识别系统，采用的是基于Inception模型的卷积神经网络算法，通过大量铝材瑕疵图片的训练增加Inception模型的泛化能力，提高Inception模型识别铝材瑕疵的正确率。进一步地，所述类别包括：裂纹、起皮、划伤、擦花、不导电、角位露底、桔皮、露底、漆泡，起坑和无瑕疵。进一步地，计算机瑕疵图像识别系统调将张量数据传入训练好的Inception模型进行计算，最后通过卷积神经网络的softmax层计算每一类别的概率并选择概率最高的类别进行输出。进一步地，所述高清摄像头为720p高清摄像头，拍摄图像分辨率为1024*768。进一步地，所述计算机的GPU为NvidiaGeforce10系列图像处理单元。本专利技术提供的技术方案带来的有益效果是：减轻铝型材生产过程中的瑕疵检测方面的人力成本，提高瑕疵识别速率，保证铝型材的生产质量。附图说明下面将结合附图及实施例对本专利技术作进一步说明，附图中：图1是本专利技术实施例中一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备的结构图；图2是本专利技术实施例中一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备的工作流程图。具体实施方式为了对本专利技术的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本专利技术的具体实施方式。本专利技术的实施例提供了一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备。请参考图1和图2，图1是本专利技术的实施案例提供了一种基于Inception卷积神经网络的铝材瑕疵识别设备的结构图，包括计算机、计算机瑕疵图像识别系统、高清摄像头和USB数据线；图2是本专利技术实施例中一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备的工作流程图；高清摄像头，在实际生产车间被安装于传送带上，工作人员通过操作计算机瑕疵图像识别系统下发控制命令，控制高清摄像头对传送带上的铝材进行拍照，图像数据通过USB数据传输线传输至计算机上安装并运行的计算机瑕疵图像识别系统；所述高清摄像头为720p高清摄像头，拍摄图像分辨率为1024*768，使用USB3.0规范接口完成数据的传输；USB数据线，连接安装有铝材瑕疵识别系统的计算机与负责对铝材产品进行摄像的高清摄像头；用来传输图像数据；计算机，固定于铝材传送带旁，通过USB数据线与高清摄像头进行连接，用于安装、训练和运行计算机瑕疵图像识别系统；所述计算机是构建铝材瑕疵识别系统的主要工具，同时维持该系统运行。所述计算机接收并存储高清摄像头传输的图像数据，便于计算机瑕疵图像识别系统对图像数据进行转换与计算处理。所述计算机图像处理单元GPU为NvidiaGeforce10系列图像处理单元，具有处理速度快的优点，相对于中央处理器，计算速度提升十倍以上；所述计算机中央处理器为Intel六代Core系列CPU；计算机瑕疵图像识别系统，该系统安装在所述计算机上，工作人员通过操作计算机瑕疵图像识别系统下发控制命令，控制高清摄像头对传送带上的铝材进行拍照，并接收高清摄像头传输的图像数据后，该系统通过调用深度学习框架Pytorch将图像数据转换为张量数据，并将张量数据传入训练好的Inception模型，采用基于Inception模型的卷积神经网络对所述张量数据进行计算，卷积神经网络的softmax层用来计算每一类别的概率并选择概率最高的类别进行输出；通过计算得到一个十二维的高维向量，该高维向量的维数12即为分类类别的总和，分类类别包括：有瑕疵和无瑕疵两大类，有瑕疵类别又具体包括裂纹、起皮、划伤、擦花、不导电、角位露底、桔皮、露底、漆泡和起坑，该高维向量中的每一维对应的数值分别表示属于每一类别的概率；最终将概率最高的数值对应的类别进行输出，该类别即为识别出的瑕疵图像，如若无瑕疵类别的概率最高，则设置该设备不输出，因此该设备一旦有输出就对应于有瑕疵的类别。即当铝材图像中有裂纹瑕疵时，十二维向量中对应裂纹类别的那一维的数值大于其他维的数值，此时该设备输出对应裂纹类别的那一维的数值，也即该裂纹类别的概率，通过对应关系，识别出瑕疵图像；当图像无瑕疵时，十二维向量中对应于无瑕疵类别的那一维的数值最大，该设备接收该向量但不做输出反应。例如：十二维向量的十二维分别表示裂纹、起皮、划伤、擦花、不导电、角位露底、桔皮、露底、漆泡、起坑和无瑕疵类别的概率；若该该十二维向量为[0.05，0.1，0.05，0.05，0，0.03，0.04，0.13，0.07，0.08，0.1，0.3]，第十二维的数值最高，则表示无瑕疵类别的概率为0.3，即识别该产品为无瑕疵类别，该设备不进行输出；若该十二维向量为[0.05，0.1，0.05，0.2，0，0.16，0.04，0.13，0.07，0，0.1，0.1]，第四维的数值最高，则表示擦花类别的概率为0.2，大于其他类别的概率，该设备输出的结果就为擦花，即表示识别出该图像为瑕疵图像，且瑕疵类别为擦花。条件允许的话，也可让工作人员对识别出的瑕疵产品进行再次检查确认。工作人员根据输出类别，对有瑕疵类别的铝材进行回收，以保证铝型材的生产质量。最后通过卷积神经网络的最后一层的softmax层将计算结果转本文档来自技高网...

【技术保护点】
1.一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备，其特征在于：包括：计算机，固定于铝材传送带旁，通过USB数据线与高清摄像头进行连接，用于安装、训练和运行计算机瑕疵图像识别系统；USB数据线，连接高清摄像头与计算机，用来传输图像数据；高清摄像头，在实际生产车间被安装于传送带上，工作人员通过操作计算机瑕疵图像识别系统下发控制命令，控制高清摄像头对传送带上的铝材进行拍照，得到图像数据，并将所述图像数据传输回计算机瑕疵图像识别系统；计算机瑕疵图像识别系统，该系统调用深度学习框架Pytorch将所述图像数据转换为张量数据，并采用基于Inception模型的卷积神经网络对所述张量数据进行计算得到高维向量，该高维向量中的每一维对应的数值分别表示属于每一类别的概率，最终将概率最高的数值对应的类别进行输出；若无瑕疵类别的概率最高时，该设备不输出，若设备输出，则输出的类别即为识别出的瑕疵图像。

【技术特征摘要】
1.一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备，其特征在于：包括：计算机，固定于铝材传送带旁，通过USB数据线与高清摄像头进行连接，用于安装、训练和运行计算机瑕疵图像识别系统；USB数据线，连接高清摄像头与计算机，用来传输图像数据；高清摄像头，在实际生产车间被安装于传送带上，工作人员通过操作计算机瑕疵图像识别系统下发控制命令，控制高清摄像头对传送带上的铝材进行拍照，得到图像数据，并将所述图像数据传输回计算机瑕疵图像识别系统；计算机瑕疵图像识别系统，该系统调用深度学习框架Pytorch将所述图像数据转换为张量数据，并采用基于Inception模型的卷积神经网络对所述张量数据进行计算得到高维向量，该高维向量中的每一维对应的数值分别表示属于每一类别的概率，最终将概率最高的数值对应的类别进行输出；若无瑕疵类别的概率最高时，该设备不输出，若设备输出，则输出的类别即为识别出的瑕疵图像。2.如权利要求1所述的一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备，其特征在于：计算机瑕疵图像识别系统，采用的是基...

【专利技术属性】
技术研发人员：殷蔚明，邓铮，龚伟，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北,42