一种基于卷积神经网络的高尔夫球缺陷检测方法技术

本发明专利技术公开了一种基于卷积神经网络的高尔夫球缺陷检测方法，该方法主要针对解决高尔夫球缺陷检测问题；主要包括高尔夫球缺陷检测平台设计、数据采集和预处理、神经网络训练和检测结果评估四个部分；使用半监督数据增强方法解决高尔球样本少问题；分别使用分割网络和决策网络对高尔夫球缺陷进行定位和分类；具有精度高、结构简单、人工干预少的特点。

【技术实现步骤摘要】
一种基于卷积神经网络的高尔夫球缺陷检测方法
本专利技术涉及缺陷检测的
，尤其涉及一种基于卷积神经网络的高尔夫球缺陷检测方法。
技术介绍
产品的缺陷检测一直以来都是生产中的重要环节。在计算机技术成熟之前，产品的缺陷检测工作一直都由人工完成，具有效率低，准确率受人主观影响等缺点。随着计算机技术的发展，各种缺陷检测技术呈井喷之势，传统的统计法、频谱法及模型法等诸多方法在特定领域内都有不错的效果，但缺乏广泛适用性。近年来，人工智能领域的发展给缺陷检测带来了新的方法，将卷积神经网络应用于缺陷检测，使得缺陷检测的精度更高，速度更快，适用性也更广。然而针对高尔夫球实际生产环节中的缺陷检测，鲜有专用的神经网络模型对其进行适配。高尔夫球实际生产环节中的缺陷检测，其特点在于：(1)由于使用现代先进的生产方法，高尔夫球的次品率很低，因此为神经网络提供的样本有限；(2)高尔夫球体积较小，为了获取精确的缺陷所在位置，应使用像素级的缺陷检测方法；(3)由于缺陷程度存在分级，使用的神经网络需要能够对高尔夫球缺陷程度进行分类。针对上述特点，本专利技术一种基于卷积神经网络的高尔夫球缺陷检测方法提供了一种高效率、高精度、人工干预少的可行方法。
技术实现思路
本专利技术提供的一种基于卷积神经网络的高尔夫球缺陷检测方法，其主要特点是，所述的方法包括以下几个步骤：S1搭建高尔夫球缺陷检测平台；S2进行数据采集并对采集数据进行预处理；S3构建缺陷检测网络模型；S4训练神经网络模型；S5评估高尔夫球缺陷检测结果。较佳地，所述的步骤S1，其特征在于：使用两个相对的摄像头对高尔夫球进行拍照，用于采集数据和对高尔夫球进行缺陷检测。较佳地，所述的步骤S2包括以下步骤：S21数据采集，通过上述S1所述平台获取大量高尔球图像并从以往人工检测出的有缺陷高尔夫球中随机抽取部分作为本专利技术所使用的数据集；S22数据筛选，剔除步骤S21所采集数据中的低质量图像；S23数据增强，使用标签扩增方法解决类分布不平衡问题，并使用半监督数据增强方法扩充数据集，有效防止过度拟合并提高模型的推理能力。S24图像标注，对经过上述步骤S23的数据集进行人工标注，得到图像数据集对应的标签数据集；S25图像归一化，使用离差标准化，将图像像素值缩放至[0，1]区间内，令神经网络训练更快、更准确。S26数据分类，在数据集中随机选出70％数据作为训练集，剩余数据按照1：1分为验证集和测试集。较佳地，所述步骤S24使用离差标准化公式为：其中，x为像素值，min为样本数据最小值，max为样本数据最大值。较佳地，所述步骤S3包括构建分割网络和构建决策网络；较佳地，步骤S3所述分割网络，其特点在于，对输入图像进行语义分割，检测缺陷具体位置；较佳地，步骤S3所述决策网络，其特点在于，以分割网络输出作为输入，对高尔夫球缺陷进行分类。较佳地，所述步骤S4包括以下步骤：S41训练分割网络，使用交叉熵损失函数对分割网络进行独立训练，训练完成后冻结分割网络权重；S42训练决策网络，使用步骤S31分割网络的输出作为输入，仍然使用交叉熵损失函数训练。较佳地，上述步骤S41及步骤S42使用的单个样本的交叉熵损失函数如下：整体样本的交叉熵损失函数如下：其中，N为样本总数，M为类别的数量，yic为指示变量(如果该类别和样本i的类别相同就是1，否则是0)，pic为对于观测样本i属于类别c的预测概率。较佳地，步骤S41所述的分割网络，其特征在于，包含了9个卷积层和3个池化层，第个卷积层后面都跟上一个批标准化层和ReLU函数，用来优化学习并加速收敛。较佳地，步骤S42所述的决策网络，其特征在于，将步骤S31所产生的输出作为输入，并通过全连接神经网络对每个像素点进行分类；较佳地，除上述特征外，步骤S32所述的决策网络还使用了残差结构和级联操作。所述步骤S4评估高尔夫球缺陷检测结果，其特征在于，使用损失曲线和准确率曲线评估高尔夫球缺陷检测结果。附图说明图1为本专利技术一种基于卷积神经网络的高尔夫球缺陷检测方法的整体结构图；图2为本专利技术一种基于卷积神经网络的高尔夫球缺陷检测方法的高尔夫球缺陷检测平台简图；图3为本专利技术一种基于卷积神经网络的高尔夫球缺陷检测方法的图像采集与预处理流程图；图4为本专利技术一种基于卷积神经网络的高尔夫球缺陷检测方法所使用的标签扩增方法流程图；图5为本专利技术一种基于卷积神经网络的高尔夫球缺陷检测方法所使用的半监督数据增强方法流程图；图6为本专利技术一种基于卷积神经网络的高尔夫球缺陷检测方法所采用神经网络模型的分割网络结构；图7为本专利技术一种基于卷积神经网络的高尔夫球缺陷检测方法所采用神经网络模型的决策网络结构；图8为本专利技术一种基于卷积神经网络的高尔夫球缺陷检测方法所采用神经网络模型的损失曲线；图9为本专利技术一种基于卷积神经网络的高尔夫球缺陷检测方法所采用神经网络模型的准确率曲线；具体实施方式为了能够更清楚地描述本专利技术的
技术实现思路
，下面结合附图对本专利技术的实施方式进行具体的说明。图1所示为本专利技术一种基于卷积神经网络的高尔夫球缺陷检测方法的整体结构图。结合图1可知，该高尔夫球缺陷检测方法包括：S1搭建高尔夫球缺陷检测平台；S2进行数据采集并对采集数据进行预处理；S3构建缺陷检测网络模型；S4训练神经网络模型；S5评估高尔夫球缺陷检测结果。进一步的，所述的步骤S1，其特征在于：如图2所示，其中高尔夫球放置于传送带之上，使用两个相对的摄像头对高尔夫球进行拍照，用于采集数据和对高尔夫球进行缺陷检测。进一步的，如图3所示，所述的步骤S2包括以下步骤：S21数据采集，通过上述S1所述平台获取大量高尔球图像并从以往人工检测出的有缺陷高尔夫球中随机抽取部分作为本专利技术所使用的数据集；S22数据筛选，剔除步骤S21所采集数据中的低质量图像；S23数据增强，使用标签扩增方法解决类分布不平衡问题，并使用半监督数据增强方法扩充数据集，有效防止过度拟合并提高模型的推理能力。S24图像标注，对经过上述步骤S23的数据集进行人工标注，得到图像数据集对应的标签数据集；S25图像归一化，使用离差标准化，将图像像素值缩放至[0，1]区间内，令神经网络训练更快、更准确。S26数据分类，在数据集中随机选出70％数据作为训练集，剩余数据按照1：1分为验证集和测试集。进一步的，所述步骤S24使用离差标准化公式为：其中，x为像素值，min为样本数据最小值，max为样本数据最大值。进一步的，所述步骤S23数据增强使用了标签扩增方法，用于解决类分布不平衡问题；进一步的，如图4所示，标签扩增方法具体步骤为本文档来自技高网...

【技术保护点】
1.一种基于神经网络的高尔夫球缺陷检测方法，其特征在于，所述的方法包括以下步骤：/nS1搭建高尔夫球缺陷检测平台；/nS2进行数据采集并对采集数据进行预处理；/nS3构建缺陷检测网络模型；/nS4训练神经网络模型；/nS5评估高尔夫球缺陷检测结果。/n

【技术特征摘要】
1.一种基于神经网络的高尔夫球缺陷检测方法，其特征在于，所述的方法包括以下步骤：
S1搭建高尔夫球缺陷检测平台；
S2进行数据采集并对采集数据进行预处理；
S3构建缺陷检测网络模型；
S4训练神经网络模型；
S5评估高尔夫球缺陷检测结果。


2.根据权利要求1所述的一种基于神经网络的高尔夫球缺陷检测方法，其特征在于，所述步骤S2包括以下步骤：
S21数据采集，通过上述S1所述平台获取大量高尔球图像并从以往人工检测出的有缺陷高尔夫球中随机抽取部分作为本发明所使用的数据集；
S22数据筛选，剔除步骤S21所采集数据中的低质量图像；
S23数据增强，使用标签扩增方法解决类分布不平衡问题，并使用半监督数据增强方法扩充数据集，有效防止过度拟合并提高模型的推理能力。
S24图像标注，对经过上述步骤S23的数据集进行人工标注，得到图像数据集对应的标签数据集；
S25图像归一化，使用离差标准化，将图像像素值缩放至[0，1]区间内，令神经网络训练更快、更准确。
S26数据分类，在数据集中随机选出70％数据作为训练集，剩余数据按照1：1分为验证集和测试集。


3.根据权利要求2所述的步骤S23，其特征在于，使用标签扩增方法解决类分布不平衡问题。


4.根据权利要求3所述标签扩增方法，其具体步骤如下：
S231输入k类目标样本{C1，C2，…，Ck}，每类样本数量{N1，N2，…，Nk}；
S232寻找样本数量最多的类Cm，其样本次序为Pm0＝{1，2，...，PNm}；
S233随机化Cm中样本次序，得到序列Pm-rand＝{p1，p2，...，pNm}；
S234对于其他任意类Ci，其原始次序Pi0＝{1，2，...，...

【专利技术属性】
技术研发人员：张建平，李枨，何国权，
申请(专利权)人：珠海爱肯智能设备有限公司，
类型：发明
国别省市：广东;44