基于卷积神经网络的磁芯表面裂纹检测的确定系统及方法技术方案

技术编号:21092252 阅读:54 留言:0更新日期:2019-05-11 10:57
本发明专利技术公开了基于卷积神经网络的磁芯表面裂纹检测的确定系统及方法,无须手工提取裂纹的形状、颜色、分布等特征,只需要提供尽量多的磁芯上表面裂纹的图片,将这些裂纹进行标注,输入到卷积神经网络,该网络能够自动学习裂纹的特征并形成具有泛化能力的检测模型,从而检测出磁芯表面的是否存在裂纹,如果存在将裂纹使用红色进行逐像素进行标注,能够达到99%+的准确率,同时漏检率极低。本发明专利技术应用于图像识别的技术领域。

【技术实现步骤摘要】
基于卷积神经网络的磁芯表面裂纹检测的确定系统及方法
本专利技术涉及图像识别的
,特别涉及基于卷积神经网络的磁芯表面裂纹检测的确定系统及方法。
技术介绍
工业领域会大量使用磁芯(铁氧体)生产各种电子设备的线圈和变压器,使用基数庞大,涉及领域通常需要保证磁芯所用的电子器件稳定、持久,如果磁芯有表面裂纹,后续的使用中会因为震动等原因使裂纹扩大造成电子器件故障,所以对磁芯质量的要求严苛,必须保证磁芯不能出现影响使用的表面裂纹。目前深度学习技术(卷积神经网络是深度学习技术的一种)近两三年来在学术界、工业界都取得了巨大的成就,各大互联网巨头谷歌(Google)、微软(Microsoft)、脸谱(Facebook)、阿里巴巴、百度等相继成立深度学习研究机构,以解决在图像、语音、文字等领域的各类问题。然而深度学习技术在磁芯表面裂纹检测方面的研究尚未有成果。磁芯体积通常很小,裂纹形状不规则,同时存在很多极细的、人眼很难直接观测到的裂纹,对于人工检测的难度极大、检测的准确率很低。近几年机器视觉检测磁芯表面裂纹系统问世,目的是辅助人工检测磁芯表面裂纹,提升检测准确率。这类利用传统机器视觉算法进行磁芯本文档来自技高网...

【技术保护点】
1.基于卷积神经网络的磁芯表面裂纹检测的确定系统,其特征在于:它包括:图像信息获取单元:用于获取磁芯表面裂纹图像信息作为训练集及交叉验证集;卷积神经网络配置单元:用于调整卷积神经网络每层神经元的个数,利用所述训练集对调整后的多个不同卷积神经网络分別进行训练,确定多个不同结构的卷积神经网络的参数;最优磁芯表面裂纹检测模型确定单元:用于将所述交叉验证集分别输入所述多个不同结构卷积神经网络,将磁芯表面裂纹检测结果准确率最高的卷积神经网络作为最优模型;第二图像信息获取单元,用于获取磁芯表面裂纹图像信息作为测试集;测试单元,用于将所述测试集输入最优磁芯表面裂纹检测模型,得到测试集中各测试样本的磁芯表面裂...

【技术特征摘要】
1.基于卷积神经网络的磁芯表面裂纹检测的确定系统,其特征在于:它包括:图像信息获取单元:用于获取磁芯表面裂纹图像信息作为训练集及交叉验证集;卷积神经网络配置单元:用于调整卷积神经网络每层神经元的个数,利用所述训练集对调整后的多个不同卷积神经网络分別进行训练,确定多个不同结构的卷积神经网络的参数;最优磁芯表面裂纹检测模型确定单元:用于将所述交叉验证集分别输入所述多个不同结构卷积神经网络,将磁芯表面裂纹检测结果准确率最高的卷积神经网络作为最优模型;第二图像信息获取单元,用于获取磁芯表面裂纹图像信息作为测试集;测试单元,用于将所述测试集输入最优磁芯表面裂纹检测模型,得到测试集中各测试样本的磁芯表面裂纹检测结果,统计磁芯表面裂纹检测结果的准确性。2.根据权利要求1所述的基于卷积神经网络的磁芯表面裂纹检测的确定系统,其特征在于:所述卷积神经网络的结构包括:输入层、第一卷积层、第二卷积层、.....、第二十四卷积层、第一池化层、第二池化层、.....、第二十四池化层及全连接输出层;所述输入层,用于输入磁芯表面裂纹图像信息;所述第一卷积层,用于将预先训练好的第一层卷积核与输入层输入的磁芯表面裂纹图像信息进行卷积运算得到第一卷积特征图;所述第一池化层,用于对第一卷积层输出的第一卷积特征图进行采样,得到采样区域的第一层特征平均值;所述第二卷积层,用于将预先训练好的第一层卷积核与第一池化层输出的第一层特征平均值进行卷积运算得到第二卷积层特征图;所述第二池化层,用于对第二卷积层输出的第二卷积特征图进行采样,得到采样区域的第二层特征平均值;所述的第三卷积层至二十四卷积层重复第一卷积层和第二卷积层的操作、所述的第三池化层至二十四池化层重复第一池化层和第二池化层的操作;所述全连接输出层,用于对第二十四池化层输出的第二十四层特征平均值进行训练,输出磁芯表面裂纹检测结果,所述结果包括:正常、裂纹标注图像。3.根据权利要求1所述的基于卷积神经网络的磁芯表面裂纹检测的确定系统,其特征在于:所述卷积神经网络配置单元包括:初始化模块,用于初始化卷积神经网络中的所有权重;激活值生成模块,用于根据训练集中给定的训练样本,进行前向传导运算,即由输入层与第一卷积层权重作矩阵运算得到第一池化层所有神经元的激活值,将此与第一池化层权重作矩阵运算得到第二卷积层所有神经元的激活值,以此类推,最终得到全连接输出层的激活值;误差确定模块,...

【专利技术属性】
技术研发人员:于洋
申请(专利权)人:千顺智能珠海有限公司
类型:发明
国别省市:广东,44

网友询问留言 已有0条评论
  • 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。

1