【技术实现步骤摘要】
基于区域关联神经网络的工业产品表面缺陷检测方法
本专利技术涉及计算机视觉,深度学习和工业产品缺陷检测领域,尤其目标检测,光流预测以及印刷电路板表面缺陷检测。
技术介绍
工业生产中的产品缺陷将大大降低商品的价值。对于工业产品表面的缺陷,缺陷不仅影响产品外观,而且破坏产品的功能和可靠性。产品中的缺陷可能是设备精度不够,人工操作失误等原因造成的,为了在避免在生产中出现严重的质量问题,在实际的工业生产中需要大量的人力物力进行缺陷检测检查和筛选。因此,设计工业产品表面缺陷自动检测算法具有重要的意义。由于工业生产中缺陷变化多样,形式不一,难以设计出统一的人工特征,使得很多基于特征设计的传统的计算机室视觉算法在缺陷检测方面的检测精度和鲁棒性都不是特别好。近年来基于深度卷积神经网络的方法在一系列困难的计算机视觉问题上取得了显着进展,其中在目标检测方面使得算法的检测精度有了极大的提高,因此基于目标检测算法的应用在逐渐应用的很多领域。但在工业产品中,由于缺陷种类多,差异大以及尺寸小,使得通用的目标检测算法(例如FasterR-CNN,SSD)在工业数据中检测缺陷的表现难以使人满意。因此,在工业产品缺陷检测方面需要针对其特点设计专用的检测方法。只有通过对处理的工业产品数据进行充分的分析才能较好的设计出特有的工业产品缺陷检测深度神经网络模型。工业数据的特征没有统一的特征表示(例如颜色,大小和形状),因此,难以通过统一的特征描述符来表达缺陷。但通过分析我们发现,许多工业产品在生产前要制定统一的产品生产标准,并按照预先设计的标准 ...
【技术保护点】
1.基于区域关联神经网络的工业产品表面缺陷检测方法,其特征在于,步骤如下:/n步骤1:对图像进行预处理;/n步骤2:构建区域关联神经网络;/n所述的区域关联神经网络包括目标检测网络分支和光流预测网络分支:/n所述的目标检测网络分支采用YOLO v3,通过YOLO v3中的Darknet53网络结构对输入图像进行特征提取;/n所述的光流预测网络分支采用FlowNetC光流预测网络,进行特征提取和特征关联;/n步骤3:将训练集中的图像进行随机反转,输入区域关联神经网络中进行特征提取;/n步骤4:对目标检测网络分支和光流预测网络分支的特征信息进行融合;/n步骤5:通过目标检测网络分支进行缺陷预测;/n通过目标检测网络分支对步骤4获得的融合后的特征图进行缺陷预测,由于只预测是否存在缺陷,所以目标检测网络分支的目标预测类别为1。/n
【技术特征摘要】
1.基于区域关联神经网络的工业产品表面缺陷检测方法,其特征在于,步骤如下:
步骤1:对图像进行预处理;
步骤2:构建区域关联神经网络;
所述的区域关联神经网络包括目标检测网络分支和光流预测网络分支:
所述的目标检测网络分支采用YOLOv3,通过YOLOv3中的Darknet53网络结构对输入图像进行特征提取;
所述的光流预测网络分支采用FlowNetC光流预测网络,进行特征提取和特征关联;
步骤3:将训练集中的图像进行随机反转,输入区域关联神经网络中进行特征提取;
步骤4:对目标检测网络分支和光流预测网络分支的特征信息进行融合;
步骤5:通过目标检测网络分支进行缺陷预测;
通过目标检测网络分支对步骤4获得的融合后的特征图进行缺陷预测,由于只预测是否存在缺陷,所以目标检测网络分支的目标预测类别为1。
2.根据权利要求1所述的基于区域关联神经网络的工业产品表面缺陷检测方法,其特征在于,步骤1具体步骤如下:
1).将测试图像和模版图像进行特征匹配,使两张图像的区域相对应;
2).对匹配后的图像进行裁剪,使得每张图像大小为512×512;
3).把图像分成训练集和测试集;
5).对图像进行像素归一化,把像素从[0,255]转化为[0,1]。
3.根据权利要求2所述的基于区域关联神经网络的工业产品表面缺陷检测方法,其特征在于,步骤3具体操作如下:
通过目标检测网络分支对输入的训练集中的测试图像进行特征提取,输出大小为64×64×256、大小为32×32×770和大小为16×16×1026的特征图;
将测试图像和模版图像输入光流预测网络分支中;通过FlownetC网络的前三层卷积块对测试图像和模版图像进行下采样,提取它们的特征信息;
通过FlownetC网络的卷积关联模块对提取出的测试图像信息和模版图像信息进行特征关联,其数学表达为:
其中f1和f2分别表示测试图像和模版图像中参与关联的图像...
【专利技术属性】
技术研发人员:颜成钢,白俊杰,龚镖,孙垚棋,张继勇,张勇东,
申请(专利权)人:杭州电子科技大学,
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。