一种基于深度学习的银质丝材表面瑕疵识别方法技术

本发明专利技术公开一种基于深度学习的银质丝材表面瑕疵识别方法，包括如下步骤：S1：应用图像采集模块，采集若干待检测的银质丝材原图像，得到原始图像的样本集；S2：应用图像预处理模块，对步骤S1得到的样本集进行分割，得到待检目标区域，作为统计特征预检测模块的输入；S3：基于统计特征的瑕疵预检测模块，对步骤S2得到的待检目标区域进行统计特征提取，并据此进行预检测；S4：基于卷积神经网络的瑕疵检测模块，对步骤S3的预检测模块判别的瑕疵品进行二次检测，判断具体瑕疵的类别。本发明专利技术识别方法减轻银质丝材生产过程中瑕疵检测方面的人力成本，提升瑕疵识别准确率，保证银质丝材的生产质量。

【技术实现步骤摘要】
一种基于深度学习的银质丝材表面瑕疵识别方法
本专利技术涉及图像处理与机器学习领域，具体是一种基于深度学习的银质丝材表面瑕疵识别方法。
技术介绍
在银质丝材的实际生产过程中，由于生产环境和生产工艺的制约，往往不可避免地产生油污、凹坑、压伤、锯齿、刮花、起泡、起皮、排线挤压、竹节、黑斑等瑕疵，这些瑕疵会对产品的质量、美观度、舒适度和使用性能等带来不良影响。因此，金属银质丝材的表面瑕疵检测是生产环节必不可少的一个步骤。现阶段，为保证产品质量，产品检测主要采用人工目视检测方式和传统机器视觉识别方式。人工目视检测方式抽检率低，实时性差，费时费力且存在主观干扰。传统机器视觉识别基于传感器和图像预处理算法来实现银质丝材表面瑕疵的自动化识别，然而银质丝材表面瑕疵相当复杂，人工设计的特征往往描述力不够，鲁棒性不高，对分类性能有极大削弱。CN110232404A公开了一种基于机器学习的工业产品表面瑕疵识别方法及装置，方法包括：采集工业产品表面图片，并进行预处理，得到样本图片；构造Gabor滤波器，优化参数；使用Gabor滤波器对样本图片进行特征提取本文档来自技高网...

【技术保护点】
1.一种基于深度学习的银质丝材表面瑕疵识别方法，其特征在于，包括如下步骤：/nS1：图像采集：应用图像采集模块，采集若干待检测的银质丝材原图像，得到原始图像的样本集；/nS2：图像预处理：应用图像预处理模块，对步骤S1得到的样本集进行分割，得到待检目标区域，作为统计特征预检测模块的输入；/nS3：瑕疵预检测：基于统计特征的瑕疵预检测模块，对步骤S2得到的待检目标区域进行统计特征提取，并据此进行预检测，检测结果作为基于卷积神经网络的瑕疵检测模块的输入；/nS4：银质丝材表面瑕疵类别检测：基于卷积神经网络的瑕疵检测模块，对步骤S3的预检测模块判别的瑕疵品进行二次检测，判断具体瑕疵的类别。/n

【技术特征摘要】
1.一种基于深度学习的银质丝材表面瑕疵识别方法，其特征在于，包括如下步骤：
S1：图像采集：应用图像采集模块，采集若干待检测的银质丝材原图像，得到原始图像的样本集；
S2：图像预处理：应用图像预处理模块，对步骤S1得到的样本集进行分割，得到待检目标区域，作为统计特征预检测模块的输入；
S3：瑕疵预检测：基于统计特征的瑕疵预检测模块，对步骤S2得到的待检目标区域进行统计特征提取，并据此进行预检测，检测结果作为基于卷积神经网络的瑕疵检测模块的输入；
S4：银质丝材表面瑕疵类别检测：基于卷积神经网络的瑕疵检测模块，对步骤S3的预检测模块判别的瑕疵品进行二次检测，判断具体瑕疵的类别。


2.根据权利要求所述的银质丝材表面瑕疵识别方法，其特征在于：
S2所述的图像预处理，包括如下步骤：
S21：对原始图像进行分割处理，得到待检目标区域；
S22：对待检目标区域进行灰度化处理；
S23：对灰度化处理后的图像进行二值化处理；
S24：对二值化处理后的图像进行形态学处理，包括取反、腐蚀或膨胀操作，消除待检目标区域的小孔洞；
S25：对形态学处理后的图像进行连通组件搜寻，提取最大连通组件。


3.根据权利要求所述的银质丝材表面瑕疵识别方法，其特征在于：
S3所述的瑕疵预检测，包括如下步骤：
S31：对步骤S25提取的最大连通组件进行灰度化处理；
S32：灰度化处理后再提取统计特征值；
S33：将提取的统计特征值与统计特征阈值对比；
S34：基于统计特征的预分类，确定样本所属类别。


4.根据权利要求所述的银质丝材表面瑕疵识...

【专利技术属性】
技术研发人员：闫坤，李慧慧，张李轩，陈德富，傅琪，刘威，李执，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西;45