【技术实现步骤摘要】
一种基于深度学习的铝材表面缺陷检测算法
本专利技术涉及图像目标检测领域,即一种基于深度学习的铝材表面缺陷检测算法。
技术介绍
在铝材的实际生产过程中,由于各方面因素的影响,铝材表面会产生脏点、不导电和漏底等缺陷,这些缺陷会严重影响铝材的质量。为保证产品质量,需要人工进行肉眼目测。然而,铝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缺陷,质检的效率难以把控。随着深度学习的发展,特别是卷积神经网络在图像识别、图像检测和图像分割等方面的应用,所取得的效果是过往使用传统算法无法比拟的。图像检测处于图像识别和图像分割的衔接阶段,是一种能够检测出图像中特定类别的物体的位置并给出相应的类别置信度。基于深度学习的目标检测算法有二阶段检测算法和单阶段检测算法,二阶段检测算法速度虽较慢但具有更高的检测性能。但是通用的目标检测算法对于铝材表面缺陷的检测性能并不近乎人意,主要原因是铝材缺陷图像数量较少,铝材表面缺陷大小变化大,形状并不固定等。
技术实现思路
为了克服现有技术存在的不足,本专利技术提出了一种解决上述难点的基于深度学习的铝材表面缺陷检测算法。为了实现以上目的,本专利技术提出的方法具体步骤如下:(1)图像采集,利用摄像头对铝材表面进行拍摄,获取相关的图像并对图像重命名,如1.jpg,2.jpg,3.jpg,…,M.jpg等,采用labelImg工具对拍摄的图像进行标注,获取图像中关于缺陷的标签,缺陷的标签包含了缺陷在图像中左上角的坐标(x1,y1),右下角的坐标(x2,y2)和缺陷的类别defectN,其中N表示数字,如1, ...
【技术保护点】
1.一种基于深度学习的铝材表面缺陷检测算法,其特征在于包括如下步骤:(1)图像采集,利用摄像头对铝材表面进行拍摄,获取相关的图像并对图像重命名,如1.jpg,2.jpg,3.jpg,…,M.jpg等,采用labelImg工具对拍摄的图像进行标注,获取图像中关于缺陷的标签,缺陷的标签包含了缺陷在图像中左上角的坐标(x1,y1),右下角的坐标(x2,y2)和缺陷的类别defectN,其中N表示数字,如1,2,3,…等,特别的,如果拍摄的图像中没有缺陷,我们不会用labelImg进行处理,只记录其类别信息norm;(2)图像划分,将图像划分成训练集和测试集两部分,两个部分不存在相同的图像,训练集用来训练检测模型,测试集用来评估检测模型的性能;(3)图像预处理,包括随机上下翻转、随机左右翻转和随机光照改变等,其中随机上下翻转、随机左右翻转和随机光照改变只针对训练集,特别的,当进行随机上下翻转和随机左右翻转的时候,缺陷的坐标信息也需要做出相应的变化;(4)训练检测模型,将经过图像预处理后的训练集中的图像和标签信息输入到铝材表面缺陷检测模型中进行训练,特别的每次同时输入一张有缺陷的图像和一张无缺陷 ...
【技术特征摘要】
1.一种基于深度学习的铝材表面缺陷检测算法,其特征在于包括如下步骤:(1)图像采集,利用摄像头对铝材表面进行拍摄,获取相关的图像并对图像重命名,如1.jpg,2.jpg,3.jpg,…,M.jpg等,采用labelImg工具对拍摄的图像进行标注,获取图像中关于缺陷的标签,缺陷的标签包含了缺陷在图像中左上角的坐标(x1,y1),右下角的坐标(x2,y2)和缺陷的类别defectN,其中N表示数字,如1,2,3,…等,特别的,如果拍摄的图像中没有缺陷,我们不会用labelImg进行处理,只记录其类别信息norm;(2)图像划分,将图像划分成训练集和测试集两部分,两个部分不存在相同的图像,训练集用来训练检测模型,测试集用来评估检测模型的性能;(3)图像预处理,包括随机上下翻转、随机左右翻转和随机光照改变等,其中随机上下翻转、随机左右翻转和随机光照改变只针对训练集,特别的,当进行随机上下翻转和随机左右翻转的时候,缺陷的坐标信息也需要做出相应的变化;(4)训练检测模型,将经过图像预处理后的训练集中的图像和标签信息输入到铝材表面缺陷检测模型中进行训练,特别的每次同时输入一张有缺陷的图像和一张无缺陷的图像,获取各图像中缺陷的预测框和类别,并与实际的标签信息中的真实框和类别进行对比,计算出定位误差和分类误差,然后采用多学习任务的方法,利用带动量的梯度下降算法进行训练;(5)检测铝材图像,将测试集中的图像输入到训练好的铝材表面缺陷检测模型中进行检测,获得铝材图像中缺陷的位置和类型。2.根据权利要求1所述的一种基于深度学习的铝材表面缺陷检测算法,其特征是:所述步骤(4)中训练包括基于利用Kmeans聚类算法获取训练集中真实框的分布的步骤、基于有缺陷的图像和无缺陷图像的双图像输入的步骤、基于带有FeaturepyramidNetwork(FPN)的FasterR-CNN模型的步骤、RoIAlign池化步骤、基于上下文的调整候选区域的步骤和多任务学习的步骤。3.根据权利要求2所述的一种基于深度学习的铝材表面缺陷检测算法,其特征是:所述步骤(4)具体为:(4.1)对训练集标签信息中真实框的宽和高进行聚类,获取真实框的分布的若干个簇,利用得到的聚类结果调整FPN中anchors的基本尺寸和横纵比;(4.2)每次输入图像时同时输入两张图像,其中一张为有缺陷的图像,另外一张为无缺陷的图像;(4.3)输入的两张图像通过带有FPN的FasterR-CNN模型,图像经过骨干网络进行特征提取后形成不同大小的特征图,浅层的特征图的分辨率较大,包含的细节信息较多但语义信息较少;深层的特征图的分辨率较小,包含的细节信息较少但语义信息较多,通过从顶到底和横向链接的方式丰富了浅层的语义信息,形成不同大小的特征图。对这些特征图通过卷积操作预测不同特征图上不同特征点映射回原图上的点的若干个anchors的前背景分类概率和相对平移缩放参数,同时不同特征图上不同特征点映射到原图上的点对应的anchors与真实框计算交叠率,如果与真实框的交叠率最高或者与任意真实框的交叠率大于0.7的anchor则认为是正样本,而与所有真实框的交叠率都小于0.3的anchor则认为是负样本,特别的,正样本都是来自有缺陷的铝材图像而负样本可能来自有缺陷的铝材图像也可能来自无缺陷的铝材图像;(4.4)利用前一步计算得到的相对平移缩放参数对anchors进行第一次位置调整,对调整后的候选区域通过前景类别置信度进行排序,从中选择若干个候选区域,利用上下文信息对这些候选区...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。