烟条表面褶皱的缺陷检测方法技术

本发明专利技术公开了一种烟条表面褶皱的缺陷检测方法。该方法首先采集检测区域的图像信息，通过图像灰度化将像素点转换成256阶的颜色深度；基于拉普拉斯算子轻微锐化，突出图像表面缺陷特征；通过卷积神经网络训练得到的图像，然后进行表面缺陷图片的检测，即将表面缺陷图片通过已经训练好的卷积神经网络，利用上述几个步骤判断一幅图片是否为表面缺陷图片。本发明专利技术不仅能够有效的识别表面的褶皱缺陷，而且在图片亮度变化时能够达到快速、准确的识别效果。

【技术实现步骤摘要】

本专利技术属于表面缺陷检测技术，具体地说是一种基于图像处理和卷积神经网络的烟条表面缺陷检测方法。
技术介绍
在众多的基于视觉的表面缺陷检测系统中，基于数字图像处理的视觉检测技术以其技术成熟、成本低、识别效果优秀受到人们的青睐，相应的表面缺陷检测的技术产品的需求正在日益增大，应用也越来越广泛。表面检测是从待检测的图片中分析图像是否有缺陷的过程。本专利技术表面检测技术主要涉及图像采集、图像数字处理、卷积神经网络的构建和训练、图像缺陷的分类等步骤。其中图像的数字处理和卷积神经网络的构建是表面检测领域的两个关键问题。目前表面检测的方法主要有两种：基于图像处理算法的特征处理方法和基于卷积神经网络和图像处理算法的方法。基于图像处理算法的特征处理方法，是通过对图像的灰度化处理，分别计算图像的平均灰度化数值和灰度化数值的方差，通过与预先设定好的标准值进行比较，判断与标准值得差值大小是否超过阈值来判断是否有表面缺陷。该方法通常需要预先设定好相机曝光时间、环境光线的亮暗、烟条图像采集的位置等信息，受外界条件影响大，系统的鲁棒性较差。基于卷积神经网络和图像处理算法的方法，卷积网络是为识别二维形状而特殊设计的一个多层感知器，这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性。而且避免传统识别算法中复杂的特征提取和数据重建过程。缺陷特征的识别速度也会有很大的提高，但是该类方法需要大量的样本来训练已达到较高的识别率，训练样本过少可能导致识别率下降。
技术实现思路
本专利技术的目的在于提供一种烟条表面褶皱的缺陷检测方法，从而快速准确的实现表面缺陷检测。实现本专利技术目的的技术解决方案为：一种烟条表面褶皱的缺陷检测方法，步骤如下：第一步，对输入图像的检测区域进行加权平均灰度化后，采用基于拉普拉斯算子的算法进行图像锐化处理，突出图像特征，接着归一化图像大小为64*64。第二步，构建7层卷积神经网络，即第一层输入层输入维度为64*64，第二到第七层分别为卷积核为5*5的卷积层，2*2的池化层，卷积核为5*5的卷积层，2*2的池化层，卷积核为5*5的卷积层，全连接层。其中全连接层输出维度为缺陷种类数目大小。第三步，训练卷积神经网络参数。对第一步处理的图像输入第二步构建的卷积神经网络，自己构建多个图像与标签库进行多次训练和测试，其中每训练10组数据后，测试一组训练数据作为参数校正。第四步，图像表面缺陷检测，对输入待检测的图像输入第二步构建并通过第三步训练得到的卷积神经网络，即可得到表面缺陷检测的结果。本专利技术与现有技术相比，其显著优点：(1)不仅有效的抑制了环境亮度对图像处理产生的影响，同时减小了对相机确定曝光时间的依赖性，而且可以快速的识别出表面有缺陷的图像。(2)首先对图像进行灰度处理和一定程度的锐化操作，强化图像的缺陷特征。(2)接下来构建可以稳定识别缺陷图像的卷积神经网络的模型，通过实现多层感知器的设计，可以对图像的平移、比例缩放、倾斜或者共他形式的变形具有高度的有效识别特性。(3)将待识别图像通过此系统可以快速的判断出图像是否有缺陷，避免了传统识别算法中复杂的特征提取和数据重建过程。附图说明附图是本专利技术的卷积神经网络结构图。具体实施方式结合附图，本专利技术是一种基于图像处理和卷积神经网络的烟条表面缺陷检测方法，首先采集检测区域的图像信息，通过图像灰度化将像素点转换成256阶的颜色深度；基于拉普拉斯算子轻微锐化，突出图像表面缺陷特征；通过卷积神经网络训练得到的图像，然后进行表面缺陷图片的检测，即将表面缺陷图片通过已经训练好的卷积神经网络，利用上述几个步骤判断一幅图片是否为表面缺陷图片。具体步骤如下：第一步，对输入图像的检测区域进行加权平均灰度化后，采用基于拉普拉斯算子的算法进行图像锐化处理，突出图像特征，接着归一化图像大小为64*64。第二步，构建7层卷积神经网络，即第一层输入层输入维度为64*64，第二到第七层分别为卷积核为5*5的卷积层，2*2的池化层，卷积核为5*5的卷积层，2*2的池化层，卷积核为5*5的卷积层，全连接层。其中全连接层输出维度为缺陷种类数目大小。(1)构建输入层，输入层没有输入向量，只有输出向量，这个向量的大小就是图片的大小，即一个64*64的矩阵，其中激活函数为一维线性函数。(2)构建C1卷积层，此卷积层的输入来源于上一层的输出层，总共包含6个5*5的卷积核，一个保存上一层输出64*64的向量，一个保存本层输出60*60*6的向量，一个表示全连接关系的连接表。激励函数采用tanh,每一个卷积核提取一种图像特征，总共可以有6个特征map。(3)构建S2池化层，此层是对上一层map用2*2的卷积核进行采样处理，一个保存上一层输出的60*60*6的向量，一个保存本层输出30*30*6的向量，激励函数采用tanh，每一个卷积核取2*2区域的最大值。(4)构建C3卷积层，此卷积层的输入来源于池化层，总共包含16*6个5*5的卷积核，一个保存上一层输出的30*30*6的向量，一个保存本层输出的16*26*26的向量，本层与上一层通过连接矩阵连接，并不是采用全连接方式，激励函数采用tanh，总共可以得到16个特征map。(5)构建S4池化层，此层与S2层类似，采用2*2的卷积核进行采样处理，一个保存上一层输出的16*26*26的向量，一个保存本层输出40*13*13的向量，激励函数采用tanh，每一个卷积核取2*2区域的最大值。(6)构建C5卷积层，此卷积层与C3层类似，输入来源于池化层，总共包含40个5*5的卷积核，一个保存上一层输出的16*13*13的向量，一个保存本层输出的40*9*9的向量，本层与上一层同样采用连接矩阵连接，激励函数采用tanh，总共可以得到40个特征map。(7)构建F6全连接层，本层与上一层全连接，输出为要检测的缺陷种类数目，激励函数为tanh，损失函数用均方差公式来计算反向传递的误差。第三步，训练卷积神经网络参数。对第一步处理的图像输入第二步构建的卷积神经网络，自己构建多个图像与标签库进行多次训练和测试，其中每训练10组数据后，测试一组训练数据作为参数校正。第四步，图像表面缺陷检测，对输入待检测的图像输入第二步构建并通过第三步训练得到的卷积神经网络，即可得到表面缺陷检测的结果。本文档来自技高网...

【技术保护点】
一种烟条表面褶皱的缺陷检测方法，其特征在于步骤如下：第一步，对输入图像的检测区域进行加权平均灰度化，然后采用基于拉普拉斯算子的算法进行图像锐化处理，突出图像特征，接着归一化图像大小为64*64；第二步，构建7层卷积神经网络，即第一层输入层输入维度为64*64，第二到第七层分别为卷积核为5*5的卷积层、2*2的池化层、卷积核为5*5的卷积层、2*2的池化层、卷积核为5*5的卷积层、全连接层；其中全连接层输出维度为缺陷种类数目大小；第三步，训练卷积神经网络参数；对第一步处理的图像输入到第二步构建的卷积神经网络，自身构建多个图像与标签库进行多次训练和测试，其中每训练10组数据后，测试一组训练数据作为参数校正；第四步，图像表面缺陷检测；对输入待检测的图像输入第二步构建并通过第三步训练得到的卷积神经网络，即可得到表面缺陷检测的结果。

【技术特征摘要】
1.一种烟条表面褶皱的缺陷检测方法，其特征在于步骤如下：第一步，对输入图像的检测区域进行加权平均灰度化，然后采用基于拉普拉斯算子的算法进行图像锐化处理，突出图像特征，接着归一化图像大小为64*64；第二步，构建7层卷积神经网络，即第一层输入层输入维度为64*64，第二到第七层分别为卷积核为5*5的卷积层、2*2的池化层、卷积核为5*5的卷积层、2*2的池化层、卷积核为5*5的卷积层、全连接层；其中全连接层输出维度为缺陷种类数目大小；第三步，训练卷积神经网络参数；对第一步处理的图像输入到第二步构建的卷积神经网络，自身构建多个图像与标签库进行多次训练和测试，其中每训练10组数据后，测试一组训练数据作为参数校正；第四步，图像表面缺陷检测；对输入待检测的图像输入第二步构建并通过第三步训练得到的卷积神经网络，即可得到表面缺陷检测的结果。2.根据权利要求1所述的烟条表面褶皱的缺陷检测方法，其特征在于所述第二步具体过程如下：2.1，构建输入层，输入层没有输入向量，只有输出向量，这个向量的大小就是图片的大小，即一个64*64的矩阵；2.2，构建C1卷积层，此卷积层的输入来源于上一层的输出，总共包含6个5*5的卷积核，一个保存上一层输出64*64的向量，一个保存本层输出60*60*6的向量；激励函数采用tanh，每...

【专利技术属性】
技术研发人员：沙涛，薛志勇，吴亚成，韦杰，刘胜阳，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏;32