【技术实现步骤摘要】
一种基于卷积神经网络的不均衡缺陷样本的检测方法
本专利技术涉及缺陷检测识别
,具体涉及一种基于卷积神经网络的不均衡缺陷样本的检测方法。
技术介绍
卷积神经网络(ConvolutionalNeuralNetworks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(FeedforwardNeuralNetworks),是深度学习(deeplearning)的代表算法之一。卷积神经网络具有表征学习(representationlearning)能力,能够按其阶层结构对输入信息进行平移不变分类(shift-invariantclassification),因此也被称为“平移不变人工神经网络(Shift-InvariantArtificialNeuralNetworks,SIANN)。对卷积神经网络的研究始于二十世纪80至90年代,时间延迟网络和LeNet-5是最早出现的卷积神经网络。在二十一世纪后,随着深度学习理论的提出和数值计算设备的改进,卷积神经网络得到了快速发展,并被应用于计算机视觉、自然语言处理等领域。卷积神经网络仿造生物的视知觉(visualperception)机制构建,可以进行监督学习和非监督学习,其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化(grid-liketopology)特征,例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程(featureengineering)要求。卷积神经网络长期以来是图像识别领域的核心算法之一,并在学习数据充 ...
【技术保护点】
1.一种基于卷积神经网络的不均衡缺陷样本的检测方法,其特征在于,包括如下步骤:/n(1)收集前期数据:收集两种类型的数据,一种是产品原始的缺陷数据,并制作训练集原始图像;第二种是生产环境中生产出的没有缺陷的数据,称为无缺陷数据,形成无缺陷图像;/n(2)制作原始缺陷数据的标签图像:使用图像标注工具标注任务目标中的特征,制作对应的标签图像;对于所述无缺陷数据,此步不做处理;/n(3)深度神经网络训练:/n(a)坐标修正:首先对所述标签图像进行位置修正,保证所有标签图像的中心像素点在采集时的绝对位置是一致的,同时将所有标签图像裁剪到相同大小;/n(b)抽样形成神经网络输入:采用6通道输入,随机取两张标签图像,一张固定为无缺陷图像,另一张随机抽取有缺陷的标签图像或无缺陷图像,之后两张图像级联形成6通道输入;/n最终得到训练好的模型;/n(4)缺陷推理:利用步骤(3)中所述的训练好的模型,以及采集到的无缺陷图像进行推理,对于实际生产环境中的一张新的图像,随机抽取多张无缺陷图像,每一张无缺陷图像与新的图像级联形成6通道输入,送入网络得到输出,投票得出最后的缺陷像素。/n
【技术特征摘要】
1.一种基于卷积神经网络的不均衡缺陷样本的检测方法,其特征在于,包括如下步骤:
(1)收集前期数据:收集两种类型的数据,一种是产品原始的缺陷数据,并制作训练集原始图像;第二种是生产环境中生产出的没有缺陷的数据,称为无缺陷数据,形成无缺陷图像;
(2)制作原始缺陷数据的标签图像:使用图像标注工具标注任务目标中的特征,制作对应的标签图像;对于所述无缺陷数据,此步不做处理;
(3)深度神经网络训练:
(a)坐标修正:首先对所述标签图像进行位置修正,保证所有标签图像的中心像素点在采集时的绝对位置是一致的,同时将所有标签图像裁剪到相同大小;
(b)抽样形成神经网络输入:采用6通道输入,随机取两张标签图像,一张固定为无缺陷图像,另一张随机抽取有缺陷的标签图像或无缺陷图像,之后两张图像级联形成6通道输入;
最终得到训练好的模型;
(4)缺陷推理:利用步骤(3)中所述的训练好的模型,以及采集到的无缺陷图像进行推理,对于实际生产环境中的一张新的图像,随机抽取多张无缺陷图像,每一张无缺陷图像与新的图像级联形成6通道输入,送入网络得到输出,投票得出最后的缺陷像素。
2.根据权利要求1所述的检测方法,其特征在于:所述步骤(1)中,所述缺陷数据占总数据的比例为大于等于20%,所述无缺陷数据占总数据的比例为大于等于50%。
3.根据权利要求1所述的检测方法,其特征在于:所述步骤(1)中,所述缺陷数据和所述无缺陷数据的比例为1:3~5。
4.根据权利要求1所述的检测方法,其特征在于:所述步骤(1)中,使用摄影设备根据缺陷类型采集产品原始的缺陷数据,并制作训练集原始图像。
5.根据权利要求1所述的检测方法,其特征在于:所述步骤(3)中,所述神经网络采用resnet为主干网,利用空洞卷积以及...
【专利技术属性】
技术研发人员:秦应化,张冰峰,何进,肖继民,
申请(专利权)人:苏州鼎纳自动化技术有限公司,
类型:发明
国别省市:江苏;32
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。