【技术实现步骤摘要】
基于深度学习和机器视觉的产品表面缺陷检测方法及装置
本专利技术涉及一种基于深度学习和机器视觉的产品表面缺陷检测方法及装置。适用于机器视觉和图像识别领域。
技术介绍
传统的工业产品表面质量检测是通过质量检验员进行人工检测，但人工检测方法存在精度低、效率低、劳动强度大等缺点。利用机器视觉技术，进行工业产品表面的自动质量检测已经成为制造业提高产品质量非常重要的手段。基于机器视觉的质量检测系统通常具有精度高、效率高、连续检测速度快、非接触式测量等优点。
技术实现思路
本专利技术要解决的技术问题是：提供一种基于深度学习和机器视觉的产品表面缺陷检测方法及装置。本专利技术所采用的技术方案是：一种基于深度学习和机器视觉的产品表面缺陷检测方法，其特征在于：用工业相机的行扫描方式采集待检测产品的表面图像；实时对采集的图像进行缺陷特征预处理，快速确定该待检测产品的表面图像中是否存在缺陷；利用训练好的深度卷积神经网络模型对存在缺陷的图像进行缺陷严重程度的识别和缺陷类型的分类；所述训练好的深...
【技术保护点】
1.一种基于深度学习和机器视觉的产品表面缺陷检测方法，其特征在于：/n用工业相机的行扫描方式采集待检测产品的表面图像；/n实时对采集的图像进行缺陷特征预处理，快速确定该待检测产品的表面图像中是否存在缺陷；/n利用训练好的深度卷积神经网络模型对存在缺陷的图像进行缺陷严重程度的识别和缺陷类型的分类；/n所述训练好的深度卷积神经网络模型是在经典神经网络模型Inception-v3上进行迁移学习、改造和训练而成。/n
【技术特征摘要】
1.一种基于深度学习和机器视觉的产品表面缺陷检测方法，其特征在于：
用工业相机的行扫描方式采集待检测产品的表面图像；
实时对采集的图像进行缺陷特征预处理，快速确定该待检测产品的表面图像中是否存在缺陷；
利用训练好的深度卷积神经网络模型对存在缺陷的图像进行缺陷严重程度的识别和缺陷类型的分类；
所述训练好的深度卷积神经网络模型是在经典神经网络模型Inception-v3上进行迁移学习、改造和训练而成。
2.根据权利要求1所述的基于深度学习和机器视觉的产品表面缺陷检测方法，其特征在于，对Inception-v3进行如下迁移改造：
保留Inception-v3结构的输入层至倒数第二层，并将其进行模型结构和权重参数的冻结；
删除Inception-v3结构的最后一层全连接层，并以三层的全连接层代替，该三层的全连接层包括：第一层大小为1*1*500，第二层大小为1*1*300，第三层大小为1*1*N，N为类别。
3.根据权利要求2所述的基于深度学习和机器视觉的产品表面缺陷检测方法，其特征在于：
获取若干相应产品的表面质量图像，形成数据集，并对数据集内的图像数据进行数据增强，包括翻转和降噪，增加数据集内的数据量；
将数据集中的图像数据输入改造过的Inception-v3网络模型中，设置并不断优化模型的超参数；
最佳超参数条件下的所述改造过的Inception-v3网络模型为所述训练好的深度卷积神经网络模型。
4.根据权利要求1所述的基于深度学习和机器视觉的产品表面缺陷检测方法，其特征在于，所述确定该待检测产品的表面图像中是否存在缺陷的判断方法：
设定缺陷灰度下限值，用相机行扫描的方式得到的小块图像计算灰度均值，如果灰度均值大于设定的缺陷灰度下限值，则认为是缺陷图像进行存储，并进行后续的识别和分类处理；如果灰度均值小于或等于设定的缺陷灰度下限值，则认为是无缺陷图像，不进行存储或输出，降低缺陷检测的计算量。
5.一种基于深度学习和机器视觉的产品表面缺陷检测装置，其特征在于：
图像获取模块，用于用工业相机的行扫描方式采集待检测产品的表面图像；
缺陷确定模块，用于实时对采集的图像进行缺陷特征...
【专利技术属性】
技术研发人员：沈井学，
申请(专利权)人：杭州百子尖科技股份有限公司，
类型：发明
国别省市：浙江;33
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。