【技术实现步骤摘要】
一种基于深度学习的工件表面缺陷检测方法
本专利技术涉及图像处理
，具体涉及一种基于深度学习的工件表面缺陷检测方法。
技术介绍
工件是精密仪器的组成部分，其表面质量、形状结构对仪器的性能有很大的影响。在工件的加工、运输、装配过程中，刀具行程的变化及磨损、工件自身材料特质、工件之间摩擦碰撞等因素，都会导致工件表面产生刮痕、凸粉、碰凹和裂纹等缺陷，不仅影响工件的美观，还影响其使用性能，甚至会给仪器带来重大的安全隐患。因此，亟需发展一种快速准确的工件表面缺陷检测方法，这对产品质量检测技术的推广具有重要的实际应用价值。目前，针对工件质量检测方法主要有人工检测法、基于仪器的物理检测法和机器视觉检测法。人工检测法即通过人工目视观察工件表面是否存在缺陷，利用经验知识判断缺陷所属的类别，人工检测法主观意识强，耗时费力且检测精度难以保证。基于仪器的物理检测法包括超声波检测、磁粉检测法、涡流检测法、X射线检测法等，物理检测法可满足一般工件的表面缺陷检测，但是仪器设备体积较大、价格昂贵、维护复杂、检测效率较低且准确性较差。由于机器视觉...
【技术保护点】
1.一种基于深度学习的工件表面缺陷检测方法，其特征在于，包括如下步骤：/n采集不同背景及光照条件下的工件图像；/n对采集的工件图像进行预处理；/n构建深度卷积神经网络模型获得6个不同层的特征图；/n采用特征金字塔特征图进行多尺度特征融合预测，使用K-means聚类算法得到产生4个anchor box预测目标边界框，使用交叉熵损失函数预测类别；/n通过非极大值抑制算法去除冗余的预测边界框；/n输出工件表面缺陷的位置信息以及类别。/n
【技术特征摘要】
1.一种基于深度学习的工件表面缺陷检测方法，其特征在于，包括如下步骤：
采集不同背景及光照条件下的工件图像；
对采集的工件图像进行预处理；
构建深度卷积神经网络模型获得6个不同层的特征图；
采用特征金字塔特征图进行多尺度特征融合预测，使用K-means聚类算法得到产生4个anchorbox预测目标边界框，使用交叉熵损失函数预测类别；
通过非极大值抑制算法去除冗余的预测边界框；
输出工件表面缺陷的位置信息以及类别。
2.根据权利要求1所述的基于深度学习的工件表面缺陷检测方法，其特征在于，采集不同背景及光照条件下的工件图像具体为：
利用CCD相机拍摄在不同背景及光照条件下的工件图像，包括单一背景、复杂背景、阴暗、光亮、柔光、遮挡和重叠的复杂环境。
3.根据权利要求1所述的基于深度学习的工件表面缺陷检测方法，其特征在于，对采集的工件图像进行预处理具体为：
首先，对获得的工件图像进行数据增强，数据增强包括光学变换和几何变换；其中，光学变换包括亮度随机调整、对比度随机调整、通道随机调整，几何变换包括旋转、拉伸、平移、水平翻转、垂直翻转、随机裁剪图片、随机缩放；
然后，对扩充后的图像数据集用标注工具生成对应的标注信息；标注信息包括样本中工件表面缺陷的位置信息以及类别，类别为正常、刮痕、凸粉、碰凹、裂纹；
最后，将数据集分为训练集与测试集；其中，训练集为总样本量的70％，测试集为30％。
4.根据权利要求1所述的基于深度学习的工件表面缺陷检测方法，其特征在于，构建深度卷积神经网络模型获得6个不同层的特征图具体为：
构建深度卷积神经网络，包括构建基础网络结构和深度卷积层，提取图像的高语义特征；并且在深度卷积神经网络模块中，每个卷积层均通过ReLu函数和归一化BatchNormalization操作；
(1)基础网络结构：采用VGG16作为基础特征提取模块；首先，经过VGG16的前13个卷积层，并加以修改，使用denseconv+strideconv代替VGG16网络结构中的denseconv+maxpooling，其中denseconv的卷积核大小为3×3，步长为1；strideconv的卷积核大小为3×3，...
【专利技术属性】
技术研发人员：雷渠江，李秀昊，徐杰，桂广超，梁波，刘纪，刘俊豪，潘艺芃，王卫军，韩彰秀，
申请(专利权)人：广州中国科学院先进技术研究所，
类型：发明
国别省市：广东;44
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。