一种基于深度学习的蓝宝石生长缺陷视觉检测方法技术

本发明专利技术一种基于深度学习的蓝宝石生长缺陷视觉检测方法，属于蓝宝石制备检测领域；人工合成蓝宝石过程中检测蓝宝石的生长缺陷主要依靠人工检测，费时费力，生长炉的炉内环境造成人工检测生长缺陷的困难，且人工凭借经验观测容易出现错误，本发明专利技术基于深度学习理论提供一种蓝宝石生长缺陷的视觉检测方法，使用相机采集不少于200万张蓝宝石晶体生长阶段图像进行处理，生成训练集，搭建深度学习网络，调整参数训练深度学习网络生成训练模型，利用训练模型检测待测图像，对晶体生长状态实时判断，操作籽晶杆使存在生长缺陷的晶体正常生长。

A Visual Detection Method for Sapphire Growth Defects Based on Deep Learning

【技术实现步骤摘要】
一种基于深度学习的蓝宝石生长缺陷视觉检测方法
本专利技术涉及蓝宝石制备检测领域，更具体的说，它涉及一种基于深度学习的蓝宝石生长缺陷视觉检测方法。
技术介绍
蓝宝石是用于制造电子制导高速战机及导弹的红外光学窗口与整流罩的最佳材料。，然而天然的蓝宝石在自然界中十分稀缺，并且不能很好的满足工业对于质量和尺寸的需求，因此市面上的蓝宝石多为人工合成。在人工合成蓝宝石工艺中，其中有重要的一步，便是检测蓝宝石的生长缺陷。但是在实际中，人工检测蓝宝石生长缺陷费时费力，且不同晶体生长炉的炉内环境有所不同，造成传统方法检测生长缺陷的困难。传统方法主要是依靠人眼对晶体生长炉进行观测，工人师傅通过观测口对蓝宝石晶体的生长进行观测，在观测过程中如果晶体出现缺陷，根据观察到的缺陷类型，选择回炉重铸或者利用籽晶杆进行修正晶体。人工检测需要工人师傅一直在现场等待，隔一段时间进行观测一次，由于人眼可能由于炉内强光不能长时间观测，且人工凭借经验观测容易出现错误。
技术实现思路
针对现有技术存在的不足，本专利技术的目的在于提供一种基于深度学习的蓝宝石生长缺陷视觉检测方法，该专利技术基于深度学习的理论，主要用于检测人工接种或合成过程中，蓝宝石是否存在缺陷。为实现上述目的，本专利技术提供了如下技术方案：一种基于深度学习的蓝宝石生长缺陷视觉检测方法，包括以下步骤：S1.使用CCD相机采集不少于200万张处于蓝宝石晶体生长阶段的图像，并对图像进行处理和图像标注，图像随机分为验证集、训练集和测试集，并且训练集、测试集和验证集图像不重复；S2.搭建深度学习网络，训练深度学习网络，生成模型；S3.将生长晶体的待测图像输入至模型，使用模型检测待测图像，对晶体的生长状态进行实时判断；S4.如果晶体存在缺陷，操作籽晶杆使晶体回炉重新生长，重复步骤S3；如果没有缺陷，晶体正常生长，存储晶体图像，结束蓝宝石晶体缺陷检测；其中，图像标注0表示无缺陷，1表示有缺陷；判断晶体是否有缺陷的标准是生长状态的检测结果为1则视为有缺陷，否则为无。进一步，CCD相机外部包覆冷却罩，通过生长炉的观察口采集生长晶体图像。进一步，冷却罩内的冷却水与生长炉的自身冷却水循环系统连接。进一步，对训练样本的图像处理包括用直方图均衡化对图像进行增强，图像数据使用LabelImg工具标注，针对图像标注的结果，两类图像均匀分开。进一步，网络结构共有五层卷积网络和三层全连接层，第一层卷积层使用96个大小为11×11×3的卷积核；第二层卷积层使用256个大小为5×5×48的卷积核进行滤波；第三层、第四层和第五层的卷积在没有任何池化或者归一化层介于其中的情况下互相连接，第三层卷积层有384个大小为3×3×256的卷积核；第四层卷积层有384个大小为3×3×192的卷积核，第五层卷积层有256个大小为3×3×192的卷积核；每个全连接层有4096个神经元。综上所述，专利技术具有以下有益效果：1、本专利技术利用深度学习算法对蓝宝石生长过程中产生的缺陷进行检测，检测速度快，识别准确率高；2、本专利技术针场景适用性强，可用于不同的蓝宝石晶体生长炉。3、本专利技术可以将蓝宝石晶体生长的缺陷识别，并对设备进行相应操作。附图说明图1是本专利技术的流程图；图2是本专利技术实施检测的设备示意图。图中：1、生长炉，2、籽晶杆，3、生长晶体，4、CCD相机，5、冷却罩，6、观察口，7、控制箱，8、PLC，9、计算机。具体实施方式下面结合附图对本专利技术作进一步详细说明。一种基于深度学习的蓝宝石生长缺陷视觉检测方法，包括以下步骤：S1.使用CCD相机4采集不少于200万张处于蓝宝石晶体生长阶段的图像，并对图像进行处理，随机选取20%的图像作为验证集，选取60%的图像生成训练样本作为训练集，20%的图像作为测试集，并且训练集、测试集和验证集图像不重复；针对蓝宝石生长阶段的不同状态采集图像，检测装置示意图如图2所示，利用CCD相机4对蓝宝石晶体的生长炉1中的生长晶体3进行图像采集，每张图片均有蓝宝石晶体生长阶段的晶体表面信息，以此制作深度学习数据集；S2.搭建深度学习网络，训练深度学习网络，为保证实时性，选择轻量型网络MobileNet网络结构，减少网络参数，提高网络性能；在模型训练过程中，首先利用该深度学习网络对训练集训练一段时间后得到训练模型并保存，利用验证集对训练模型初步评估，根据验证集输入训练模型得到的准确率调整超参数，进一步调整超参数防止过拟合或欠拟合，继续训练得到最终模型，使用测试集对模型的检测准确率进行测试，验证其泛化能力，确保模型的检测准确率达到90%以上，储存模型；S3.将生长晶体1的待测图像输入至模型，使用模型检测待测图像，对晶体的生长状态进行实时判断；S4.籽晶杆2根据晶体的生长状态进行操作，如果晶体存在缺陷，操作籽晶杆2使晶体回炉重新生长，重复步骤S3；如果没有缺陷，晶体正常生长，无需籽晶杆2的操作，存储晶体图像，结束蓝宝石晶体缺陷检测；计算机实现籽晶杆2的操作是通过控制PLC驱动控制箱7中的电机，由电机带动籽晶杆2完成上下移动和旋转；其中，图像标注0表示无缺陷，1表示有缺陷；判断晶体是否有缺陷的标准是，生长状态的检测结果为1则视为有缺陷，否则为无，识别准确率能够达到90%，符合生产过程的检测要求，本专利技术在蓝宝石制备检测领域内实现了无人自动化操作，与传统的纯人工检测相比，检测速度和准确率得到有效提高。CCD相机4外部包覆冷却罩5，通过生长炉1的观察口3采集生长晶体3图像。冷却罩5内的冷却水与生长炉1的自身冷却水循环系统连接，由于生长炉1内的温度较高，CCD相机4从观察口6采集图像，冷却罩5能够防止相机长时间工作高温损坏。对训练样本的图像处理包括用直方图均衡化对图像进行增强，使变换后图像灰度的概率密度呈均匀分布，这就意味着图像灰度的动态范围得到了增加，提高了图像对比度，有益于接下来的处理，图像进行直方图均衡化的函数表达式为：其中，ri表示图像中像素灰度级，n是图像中的像素总数，为频数，k为灰度级数；图像数据使用LabelImg工具标注，针对图像标注的结果分为0和1，两类图像均匀分开。本专利技术是针对蓝宝石制作产业，实施步骤如下：1、使用CCD相机4从蓝宝石制作设备上采集大量图像数据，采集过程中使用冷却罩5保护CCD相机4，如图2所示；2、将图像数据分为测试集、验证集和训练集，使用深度学习网络对训练集进行训练，在训练过程中使用验证集对模型调整参数；3、训练结果得到多个模型，用测试集进行模型泛化评估，整体评估模型的性能，准确率达到90%视为合适的模型。4、输入待测图像数据进行预测，并且认定结果为1则为有缺陷，结果为0则为无缺陷。5、有缺陷则通过控制箱控制籽晶杆向下运动，晶体回炉重新生长；无缺陷的晶体正常生长，保证最终产品蓝宝石晶体的良品率。由于采集大量图像、图像预处理和训练模型花费时间较长，一旦训练得到合适的模型，在使用过程中，只需要使用该模型，将新的图像数据输入即可判断，本专利技术检测速度快，识别准确率高，能够在不同的蓝宝石晶体生长炉上使用，适用性广。以上所述仅是本专利技术的优选实施方式，本专利技术的保护范围并不仅局限于上述实施例，凡属于本专利技术思路下的技术方案均属于本专利技术的保护范围。应当指出，对于本
的普通技术人员来说，在不脱离本专利技术原理前提下的若干改进本文档来自技高网...

【技术保护点】
1.一种基于深度学习的蓝宝石生长缺陷视觉检测方法，其特征在于包括以下步骤：S1.使用CCD相机（4）采集不少于200万张处于蓝宝石晶体生长阶段的图像，并对图像进行处理和图像标注，图像随机分为验证集、训练集和测试集，并且训练集、测试集和验证集图像不重复；S2.搭建深度学习网络，训练深度学习网络，生成模型；S3.将生长晶体（1）的待测图像输入至模型，使用模型检测待测图像，对晶体的生长状态进行实时判断；S4.如果晶体存在缺陷，操作籽晶杆（2）使晶体回炉重新生长，重复步骤S3；如果没有缺陷，晶体正常生长，存储晶体图像，结束蓝宝石晶体缺陷检测；其中，图像标注0表示无缺陷，1表示有缺陷；判断晶体是否有缺陷的标准是，生长状态的检测结果为1则视为有缺陷，否则为无。

【技术特征摘要】
1.一种基于深度学习的蓝宝石生长缺陷视觉检测方法，其特征在于包括以下步骤：S1.使用CCD相机（4）采集不少于200万张处于蓝宝石晶体生长阶段的图像，并对图像进行处理和图像标注，图像随机分为验证集、训练集和测试集，并且训练集、测试集和验证集图像不重复；S2.搭建深度学习网络，训练深度学习网络，生成模型；S3.将生长晶体（1）的待测图像输入至模型，使用模型检测待测图像，对晶体的生长状态进行实时判断；S4.如果晶体存在缺陷，操作籽晶杆（2）使晶体回炉重新生长，重复步骤S3；如果没有缺陷，晶体正常生长，存储晶体图像，结束蓝宝石晶体缺陷检测；其中，图像标注0表示无缺陷，1表示有缺陷；判断晶体是否有缺陷的标准是，生长状态的检测结果为1则视为有缺陷，否则为无。2.根据权利要求1所述的基于深度学习的蓝宝石生长缺陷视觉检测方法，其特征在于：所述CCD相机（4）外部包覆冷却罩（5），通过生长炉（1）的观察口（6）采集生长晶体（3）图像。3.根据权利要...

【专利技术属性】
技术研发人员：乔铁柱，张伟，杨毅，张海涛，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：山西,14