The invention discloses a magnetic tile surface defect detection method based on dense generation antagonistic neural network. The acquired tiles images are preprocessed and the training set is made. A dense generating antagonistic neural network model is constructed, which is divided into generator and discriminator. The generator is a full convolution dense neural network, including several dense blocks and transfer blocks. The discriminator is a down-sampling neural network. The training set is used to train the network parameters and optimize the model. The tiles to be measured are optimized. The image is input to the trained generating network model, and the pixel-level defect marker image of the magnetic tile is obtained. The defect information of the magnetic tile is obtained by post-analysis and processing, which is applied to the detection of the magnetic tile production. Compared with manual detection of magnetic tile defects, this method can save manpower cost and speed up detection. Compared with traditional detection methods of magnetic tile defects, this method can obtain a variety of kinds of pixel-level defect information, which has a wide range of applications and improves detection accuracy.
【技术实现步骤摘要】
一种基于密集生成对抗神经网络的磁瓦表面缺陷检测方法
本专利技术涉及工件缺陷检测领域,尤其涉及一种基于密集生成对抗神经网络的磁瓦表面缺陷检测方法。
技术介绍
工件缺陷检测是工业生产中保证产品质量一个重要的环节,磁瓦作为电机的重要组成部件,其表面缺陷会直接影响电机的性能和使用寿命。磁瓦缺陷种类繁多,包括裂缝、缺块、起皱、杂质等等,由于缺乏有效的磁瓦表面缺陷检测技术,目前磁瓦生产企业主要使用人工检测的方式对其进行质量检测。人工检测存在耗时长、错检率高、劳动力成本高等缺点,限制了磁瓦的生产效率。此外,现有的一些基于机器视觉的工件缺陷检测技术在面对磁瓦复杂多样的缺陷种类时也未能达到较高的准确率,无法投入使用。本专利技术使用一种基于密集生成对抗神经网络的目标检测方法对磁瓦表面缺陷进行检测,提高检测准确率,实现磁瓦检测过程的自动化。
技术实现思路
本专利技术的目的在于针对现有技术的不足,提供一种基于密集生成对抗神经网络的磁瓦表面缺陷检测方法,解决磁瓦缺陷检测的低效性,实现检测过程智能化。本专利技术的目的是通过以下技术方案来实现的:一种基于密集生成对抗神经网络的磁瓦表面缺陷检测方法,包括以下步骤:(1)磁瓦图像预处理:将采集到的磁瓦图像制作成磁瓦原图和缺陷标记图。(2)构造网络模型:构造密集生成对抗神经网络模型,该模型分为生成器和判别器两部分;生成器是一个全卷积密集神经网络,包括若干密集块和转移块,密集块用于特征提取,转移块在编码部分用于下采样,在解码部分用于上采样;判别器是一个下采样神经网络。(3)训练网络模型:利用反向传播算法训练网络模型。(4)检测待测图像:将待测图像的 ...
【技术保护点】
1.一种基于密集生成对抗神经网络的磁瓦表面缺陷检测方法,其特征在于,包括以下步骤:(1)磁瓦图像预处理:将采集到的磁瓦图像制作成磁瓦原图和缺陷标记图。(2)构造网络模型:构造密集生成对抗神经网络模型,该模型分为生成器和判别器两部分;生成器是一个全卷积密集神经网络,包括若干密集块和转移块,密集块用于特征提取,转移块在编码部分用于下采样,在解码部分用于上采样;判别器是一个下采样神经网络。(3)训练网络模型:利用反向传播算法训练网络模型。(4)检测待测图像:将待测图像的磁瓦原图输入到训练好的网络模型的生成器中进行前向计算,生成缺陷标记图。(5)图像后处理:统计分析步骤(4)生成的缺陷标记图中的缺陷信息。
【技术特征摘要】
1.一种基于密集生成对抗神经网络的磁瓦表面缺陷检测方法,其特征在于,包括以下步骤:(1)磁瓦图像预处理:将采集到的磁瓦图像制作成磁瓦原图和缺陷标记图。(2)构造网络模型:构造密集生成对抗神经网络模型,该模型分为生成器和判别器两部分;生成器是一个全卷积密集神经网络,包括若干密集块和转移块,密集块用于特征提取,转移块在编码部分用于下采样,在解码部分用于上采样;判别器是一个下采样神经网络。(3)训练网络模型:利用反向传播算法训练网络模型。(4)检测待测图像:将待测图像的磁瓦原图输入到训练好的网络模型的生成器中进行前向计算,生成缺陷标记图。(5)图像后处理:统计分析步骤(4)生成的缺陷标记图中的缺陷信息。2.根据权利要求1所述的一种基于密集生成对抗神经网络的磁瓦表面缺陷检测方法,其特征在于,所述步骤(1)中,磁瓦图像预处理包括以下子步骤:对于采集到的磁瓦图像,利用磁瓦与背景的亮度差截取出磁瓦所在区域,生成磁瓦原图;在磁瓦原图中手工标记出缺陷区域,缺陷区域用特定颜色进行标记,生成缺陷标记图;将原图以及对应缺陷标记图左右拼接形成训练图像,训练图像经过归一化操作,使得每个像素点数值从[0,255]的整型数值调整为[-1.0,1.0]的浮点数值,构成训练集。3.根据权利要求1所述的一种基于密集生成对抗神经网络的磁瓦表面缺陷检测方法,其特征在于,所述步骤(2)中,所述密集生成对抗神经网络模型的生成器部分由编码部分和解码部分组成。编码部分首先是一个数据输入(Input),输入RGB图像。然后是第一个卷积层(Firstconv),负责第一次提取图像特征,并将特征图通道数扩充为48个。接下来是5组密集块(DenseBlock,DB)和下采样转移块(TransitionDown,TD)的组合。每一个密集块都由5个密集层(DenseLayer)构成,每个密集层的输入都是由前几层输出的所有特征图通道合并而成,每一个密集层又都由依次连接的批标准化层(BN)、激活层(ReLU)、卷积层(Conv)和Dropout层组成,密集块负责提取特征信息,改变特征图通道数。下采样转移块由依次连接的BN层、ReLU层、Conv层、Dropout层和最大池化层(MaxPool)组成,其作用是进一步提取特征,并对特征图进行下采样,每个转移块都将输入特征图的尺寸减半。编码结束后进入一个瓶...
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。