一种用于工业产品视觉检测的基于先验特征模板的卷积神经网络设计方法技术

本发明专利技术属于工业产品视觉检测算法应用类发明专利技术，使用的核心技术涉及传统图像处理的特征提取和卷积神经网络。在传统特征提取方面涉及对类哈儿特征模板的卷积化改造，包括卷积化特征核的形态设计和参数设计两个方面。卷积神经网络方面涉及在网络底层增加固定先验特征参数卷积核的思想在卷积化哈儿特征模板部署中的应用技术。实际应用包括两个应用实例，分别是光学胶片横向压痕的检测和工业刨花板表面点状缺陷的检测。

【技术实现步骤摘要】
一种用于工业产品视觉检测的基于先验特征模板的卷积神经网络设计方法
卷积神经网络在工业缺陷检测中的应用。
技术介绍
在工业检测领域应用机器学习存在两方面的问题，一方面传统的人工特征提取后接机器学习分类器的模式的泛化性由于数据规模的限制难以得到有效提升，另一方面经典的深度学习网络规模都比较大，所需的训练数据规模也比较大，在工业领域往往难以获取足够量的数据来支撑模型训练，这种情况下模型很容易陷入过拟合。针对这两方面的问题，我们采用在卷积神经网络中增加先验的方法增强神经网络的导向性，在规模相对较小的情况下获得较好的训练效果。
技术实现思路
我们的方法是将传统haar特征模板卷积化融入到卷积神经网络中，一方面可以对特征进行定向提取，另一方面也可以减少可训练参数，降低过拟合。固定卷积核的位置可以部署在最前面一层或几层，先提取特征并实现下采样，然后进行训练。也可以部署在中间层，作为特征筛选器。我们设计了不同大小和形状的haar特征模板的卷积核，固定其值不参加反向传导更新。不同大小的haar特征模板通过两种方式进行组合，一种是采用same卷积模式，通过对图像加padding的方式使卷积操作前后图像的特征图大小不发生改变，然后不同的卷积后的特征图采用加和或都路由(concatenate)的方式进行合并，并向下传递。对于比较大的卷积核，同一类haar模板的形状进行调整，实现对提取细节的精细控制。此技术对目前应用较为广泛的yolo网络和unet等网络进行改进，均取得理想效果，yolo网络准确率超过90%，unet网络准确率超过95%（基于本公司的木材产品数据集）。附图说明：图1为光学胶片横向压痕检测网络结构图。图2为工业刨花板表面缺陷检测结构图。图3为haar特征模板示意图。具体实施方式实例1光学胶片横向压痕检测网络该网络中，对输入图像线进行一层普通卷积，将通道扩充为两层，同时进行下采样，紧接着部署8组横向线特征固定卷积核，每组连个卷积核，分别对应粗线和细线，固定卷积之后进行三层普通卷积，最终将特征图压缩到1x1，再通过sigmoid函数获得置信度。光学胶片横向压痕检测任务中主要是横向特征缺陷，同时，待检测图像中有两道竖线，并不是缺陷。我们采用横向的haar特征模板的卷积核，重点提取横向特征，过滤纵向特征。我们尝试了在网络前中后等位置加入一层或几层不同大小和形状的横向haar特征模板，有效地降低了过拟合情况，实现了对缺陷的有效检测，召回率超过95%（基于本公司的光学胶产品数据集）。实例2工业刨花板表面缺陷检测该网络针对刨花板表面缺陷多呈点状聚集态的特性，在网络最初线设置了一层中心特征卷积核，该层卷积分为两个路径，一个路径设置四个19x19大小中心特征卷积核，另一个路径设置四个9x9大小中心特征卷积核，两路都使用same卷积模式，然后将两路特征图通过concatenate层拼接到一起，作为后续yolo或unet网络的输入。工业刨花板表面点状缺陷特征一是比较小，二是没有规则的形状，三是由于相机视野较宽，图像亮度不均匀。传统图像处理算法和传统人工特征提取后接机器学习模型的算法泛化性较差。我们根据这类缺陷的特点，通过对其进行统计分析，设计了不同大小和形状的中心harr特征模板的卷积核。由于图片较大，我们选择在中间特征层上进行用haar模板卷积核进行特征提取，对中间多层参数进行haar特征模板固定。并用此技术对目前应用较为广泛的yolo网络和unet等网络进行改进，均取得理想效果，yolo网络准确率超过90%，unet网络准确率超过95%（基于本公司的木材产品数据集）。卷积化haar特征模板传统哈尔特征模板主要包含三类特征：边缘特征、线特征、点特征，哈尔特征提取也是主要作为一个独立的步骤进行，传统的haar特征快速计算依赖于积分图，计算过程比较复杂。我们借鉴卷积神经网络卷积层的设置原理，将haar特征模板改造为固定参数的卷积核，利用神经网络的卷积机制来提取haar特征。下面是haar特征卷积核的形状设计（以9x9大小卷积核为例）。（1）边特征卷积模板边缘特征模板是最简单的几何特征模板，分为横向、纵向、正45°、反45°四种基本形式，此类模板中区域分为两个对称的子块，根据不同的形式进行不同的分布。奇数边长卷积核中的横向、纵向模板的明暗两区域中间需要增加一行或一列中性区域，即参数为0.该类固定参数卷积核适用于需要检测有明显的边缘特征的任务中。（2）线特征卷积模板线性特征适用于宽度比较窄的条状目标，和边缘特征模板类似，分为横向、纵向、45°与反45°四种基本形式。中间条状区域的宽度可以根据目标的尺寸水平进行相应的调整;由于横向边缘和纵向边缘、线特征彼此具有正交性，单一使用某一定向固定卷积核可以起到特征筛选器的作用，如创新点2中的横向压痕检测模型中，只设置了横向线特征固定卷积，这样可以有效比秒原图中两条纵向参考线的影响。（3）点特征卷积模板点特征可以分为两种，一种是独立的点，通过中心特征模板来提取，另一种是边或线的交点，通过边和线相交来实现，独立的点特征卷积模板在不同尺度下可以有不同的变种，以方点为主。中心特征对尺寸的匹配要求比较高，以中心点的尺寸与输入图像中点的尺寸大小保持基本一致为准，在实际点尺寸较大的情况下，可以先做下采样，再做中心特征提取。作为线或边交点的点特征，可以分为直角点和斜角点两种。直角点特征由可以通过叠加横向线、边特征和纵向线边特征来代替。斜向角点特征可以通过叠加斜向45°和反斜向45°线边特征来代替。本文档来自技高网...

【技术保护点】
1.一种用于工业产品视觉检测的基于先验特征模板的卷积神经网络设计方法的创新点有三方面，具体为：/n创新点1：通过增加特征先验增强神经网络的导向性和避免过拟合的改进，该改进通过将传统的haar特征模板卷积化融入卷积神经网络来增加网络训练的导向性和避免过拟合。/n

【技术特征摘要】
1.一种用于工业产品视觉检测的基于先验特征模板的卷积神经网络设计方法的创新点有三方面，具体为：
创新点1：通过增加特征先验增强神经网络的导向性和避免过拟合的改进，该改进通过将传统的haar特征模板卷积化融入卷积神经网络来增加网络训练的导向性和避免过拟合。


2.该创新点要求对卷积化haar特征模板在卷积神经网络任何位置中的使用进行保护。


3.创新点2：基于创新点1的两个工业产品缺陷检测模型实例，分别是光学胶横向压痕检测模型和工业刨花板表面点状缺陷检测模型。


4.该创新点要求对两个实例...

【专利技术属性】
技术研发人员：不公告发明人，
申请(专利权)人：北京平恒智能科技有限公司，
类型：发明
国别省市：北京;11