表面划痕检测神经网络的构建方法、系统、装置及介质制造方法及图纸

本发明专利技术公开了一种表面划痕检测神经网络的构建方法、系统、装置及介质。该方法通过获取物体表面带有划痕的图像数据，基于预设的分辨率阈值对所述图像数据进行筛选，得到划痕图像样本；然后通过特征提取模块、分割网络模块和决策网络模块构建基础神经网络；最终通过所述划痕图像样本训练所述基础神经网络，得到表面划痕检测神经网络。该系统包括获取单元、筛选单元、构建单元和训练单元。通过使用本发明专利技术中的方法，识别出有划痕缺陷的物体图像，并且在网络复杂度低的同时实现了少量样本训练与高精度的检测。本发明专利技术可广泛应用于图像识别技术领域内。

Construction method, system, device and medium of neural network for surface scratch detection

【技术实现步骤摘要】
表面划痕检测神经网络的构建方法、系统、装置及介质
本专利技术涉及图像识别
，尤其是一种表面划痕检测神经网络的构建方法、系统、装置及介质。
技术介绍
随着深度学习领域的快速发展，自动表面缺陷检测技术成为了工业应用上的重要检测技术。但是由于一般的工业实际生产中只能提供较少的缺陷样本，因此如何利用有限的样本得到所需要的特征进行训练，构建出合适的模型达到较高的精度是一个重要问题。而现有的基于深度学习的物体表面缺陷检测技术，在追求检测精度的过程中，往往存在计算量大和训练困难等问题。如LBP特征提取方法，虽然在数据量较少的情况下能较好地提取图像的信息，但是算法计算复杂量大，在计算对应关系的时候难以选取合适的稀疏字典。而基于卷积神经网络的方法中，则通常是在浅层网络的基础上加深网络深度，以更复杂的网络来提高检测的精度，但这却降低了网络的训练效率，检测费时很长。目前，现有方案中还缺少一种良好的神经网络构建技术，以用于解决以上问题。
技术实现思路
本专利技术的目的在于至少一定程度上解决现有技术中存在的技术问题之一。为此，本专利技术实施例的一个目的在于提供一种表面划痕检测神经网络的构建方法，该方法构建的神经网络能够识别出有划痕缺陷的物体图像，并且在网络复杂度低的同时实现了少量样本训练与高精度的检测。本专利技术实施例的另一个目的在于提供一种表面划痕检测神经网络的构建系统。为了达到上述技术目的，本专利技术实施例所采取的技术方案包括：第一方面，本专利技术实施例提供了一种表面划痕检测神经网络的构建方法，包括以下步骤：获取物体表面带有划痕的图像数据，基于预设的分辨率阈值对所述图像数据进行筛选，得到划痕图像样本；通过特征提取模块、分割网络模块和决策网络模块构建基础神经网络；通过所述划痕图像样本训练所述基础神经网络，得到表面划痕检测神经网络；其中，所述特征提取模块用于提取所述划痕图像样本的高频信息，并将结果输入到分割网络模块；所述分割网络模块用于对所述划痕图像样本进行像素级别的语义分割，并将结果输入到决策网络模块；所述决策网络模块用于输出特征向量。另外，根据本专利技术上述实施例的表面划痕检测神经网络的构建方法，还可以具有以下附加的技术特征：进一步地，在本专利技术的一个实施例中，所述特征提取模块包括粗糙提取子模块和局部残差子模块，所述粗糙提取子模块提取的粗糙图像特征信息用于输入到局部残差子模块。进一步地，在本专利技术的一个实施例中，所述粗糙提取子模块包括两个卷积核大小为3×3的卷积层。进一步地，在本专利技术的一个实施例中，所述特征提取模块还包括注意力子模块；所述局部残差子模块对接收到的所述粗糙图像特征信息进行处理，得到残差图像特征信息，并将所述残差图像特征信息传递给对应的注意力子模块；将所述残差图像特征信息在注意力子模块中与注意力掩模点乘操作，提取得到关注区域特征信息；将所述关注区域特征信息和残差图像特征信息进行融合，并输入到所述分割网络模块。进一步地，在本专利技术的一个实施例中，在所述局部残差子模块设置至少两个卷积层，并剔除批量标准化层；在所述局部残差子模块中使用LeakyReLu函数作为激活函数。进一步地，在本专利技术的一个实施例中，在所述分割网络模块中设置九个卷积层，其中前八个卷积层的卷积核大小为3×3，最后一个卷积层卷积核的大小为15x15；在所述分割网络模块中的每个所述卷积层后设置批量标准化层和ReLU激活层。进一步地，在本专利技术的一个实施例中，在所述决策网络模块中，对输入的图像特征信息分别进行最大池化和均值池化；通过concat函数对最大池化得到的结果和均值池化得到的结果进行深度融合；将融合后的结果输入到全连接层，按照通道维度拼接并输出最终的向量结果。第二方面，本专利技术实施例提出了一种表面划痕检测神经网络的构建系统，包括：获取单元，用于获取物体表面带有划痕的图像数据；筛选单元，用于基于预设的分辨率阈值对所述图像数据进行筛选，得到划痕图像样本；构建单元，用于通过特征提取模块、分割网络模块和决策网络模块构建基础神经网络；训练单元，用于通过所述划痕图像样本训练所述基础神经网络，得到表面划痕检测神经网络。第三方面，本专利技术实施例提供了一种表面划痕检测神经网络的构建装置，包括：至少一个处理器；至少一个存储器，用于存储至少一个程序；当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现所述的表面划痕检测神经网络的构建方法。第四方面，本专利技术实施例还提供了一种介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于实现所述的表面划痕检测神经网络的构建方法。本专利技术的优点和有益效果将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到：本专利技术实施例的神经网络能够有效适用于工业图像中样本少、特征少、图像分辨率低等情况下的划痕检测，所述神经网络降低了网络的复杂性、减少网络深度的同时保证了训练结果的精确性，提高了划痕检测的效率。附图说明为了更清楚地说明本专利技术实施例或者现有技术中的技术方案，下面对本专利技术实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本专利技术的技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。图1为本专利技术一种表面划痕检测神经网络的构建方法具体实施例的流程示意图；图2为本专利技术一种表面划痕检测神经网络具体实施例的模块框图；图3为本专利技术一种表面划痕检测神经网络具体实施例的局部残差子模块结构示意图；图4为本专利技术一种表面划痕检测神经网络具体实施例的注意力子模块结构示意图；图5为本专利技术一种表面划痕检测神经网络的构建系统具体实施例的结构框图；图6为本专利技术一种表面划痕检测神经网络的构建装置具体实施例的结构框图。具体实施方式下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能理解为对本专利技术的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。下面参照附图详细描述根据本专利技术实施例提出的表面划痕检测神经网络的构建方法和系统，首先将参照附图描述根据本专利技术实施例提出的表面划痕检测神经网络的构建方法。参照图1，本专利技术实施例中所述的表面划痕检测神经网络的构建方法，主要包括以下步骤：S1：获取物体表面带有划痕的图像数据，基于预设的分辨率阈值对所述图像数据进行筛选，得到划痕图像样本；S2：通过特征提取模块、分割网络模本文档来自技高网...

【技术保护点】
1.表面划痕检测神经网络的构建方法，其特征在于，包括以下步骤：/n获取物体表面带有划痕的图像数据，基于预设的分辨率阈值对所述图像数据进行筛选，得到划痕图像样本；/n通过特征提取模块、分割网络模块和决策网络模块构建基础神经网络；/n通过所述划痕图像样本训练所述基础神经网络，得到表面划痕检测神经网络；/n其中，所述特征提取模块用于提取所述划痕图像样本的高频信息，并将结果输入到分割网络模块；所述分割网络模块用于对所述划痕图像样本进行像素级别的语义分割，并将结果输入到决策网络模块；所述决策网络模块用于输出特征向量。/n

【技术特征摘要】
1.表面划痕检测神经网络的构建方法，其特征在于，包括以下步骤：
获取物体表面带有划痕的图像数据，基于预设的分辨率阈值对所述图像数据进行筛选，得到划痕图像样本；
通过特征提取模块、分割网络模块和决策网络模块构建基础神经网络；
通过所述划痕图像样本训练所述基础神经网络，得到表面划痕检测神经网络；
其中，所述特征提取模块用于提取所述划痕图像样本的高频信息，并将结果输入到分割网络模块；所述分割网络模块用于对所述划痕图像样本进行像素级别的语义分割，并将结果输入到决策网络模块；所述决策网络模块用于输出特征向量。


2.根据权利要求1所述的表面划痕检测神经网络的构建方法，其特征在于，所述特征提取模块包括粗糙提取子模块和局部残差子模块，所述粗糙提取子模块提取的粗糙图像特征信息用于输入到局部残差子模块。


3.根据权利要求2所述的表面划痕检测神经网络的构建方法，其特征在于，所述粗糙提取子模块包括两个卷积核大小为3×3的卷积层。


4.根据权利要求2所述的表面划痕检测神经网络的构建方法，其特征在于，所述特征提取模块还包括注意力子模块；
所述局部残差子模块对接收到的所述粗糙图像特征信息进行处理，得到残差图像特征信息，并将所述残差图像特征信息传递给对应的注意力子模块；
将所述残差图像特征信息在注意力子模块中与注意力掩模点乘操作，提取得到关注区域特征信息；
将所述关注区域特征信息和残差图像特征信息进行融合，并输入到所述分割网络模块。


5.根据权利要求2-4中任一项所述的表面划痕检测神经网络的构建方法，其特征在于：
在所述局部残差子模块设置至少两个卷积层，并剔除批量标准化层；
在所述局部残差子模块中...

【专利技术属性】
技术研发人员：王永斌，刘廉如，张忠平，丁雷，
申请(专利权)人：宜通世纪物联网研究院广州有限公司，
类型：发明
国别省市：广东;44