一种基于深度学习的工业零件缺陷检测方法技术

本发明专利技术公开了一种基于深度学习的工业零件缺陷检测方法，涉及工业质检领域，主要包括步骤：获取预设数量的工业零件原始图像及经过缺陷标记后的缺陷标注图；根据缺陷标注图获取卷积池化处理后的特征图，将特征图与池化阶段中各池化层的输出进行融合，并利用初始卷积核卷积得到分割网络；调整卷积核大小依次对分割网络进行训练；根据原始图像和缺陷标注图对相应分割网络的输出结果进行分类训练，得到分类网络；根据分割网络和分类网络对工业零件原始图像进行缺陷程度、缺陷位置和缺陷种类判断。本发明专利技术通过先后池化

【技术实现步骤摘要】
一种基于深度学习的工业零件缺陷检测方法


[0001]本专利技术涉及工业质检领域，具体涉及一种基于深度学习的工业零件缺陷检测方法。

技术介绍

[0002]在工业生产过程中，最终对工件表面的缺陷检测是最重要的。最主要采用的方法人工目测检测的方法，但其需要对员工进行培训，而小部分工厂也会采用例如ResNet50深层卷积网络和FPN结构构建特征金字塔，寻找缺陷特征，采用RetinaNet构建缺陷检测头模块，采用DeepLab V3或者U
‑
NET构建语义特征提取模块来寻找缺陷的标记图像，但是他们都忽略了最重要的OK/NG检测无法自定检测的严苛程度，亦或者是在采用单独的OK/NG分类模型进行检测了例如IMAGENET进行分类。
[0003]人工目视法针对各种复杂的场景都可以适用，但是长时间的目视会让检测员工产生眼神经疲劳，导致检测效率和质量的下降，加上个体的不同，每个员工对标准的把控不同，导致出场的产品参差不齐。所以需要有一种客观准确的方法来进行工业上的缺陷检测。一种方案是采用Deeplab v3构建语义特征提取模块，但是如何寻找合适的rate，在增大感受野解决网格效应的同时避免模型退化是一个需要多次实验才能得出结果的问题，其不能满足工业4.0的速度要求，并且Deeplab v3参数量巨大，训练时间和训练需要的前期数据需求大，后期检测时间也很长，不能很好满足工业流水线的实时性要求；还有一种方案是采用ResNet50，不过其模型的参数量依旧巨大，需要专业的gpu并联而且训练几天才能达到比较好的效果，虽然在普通电脑上可以采用retrain的方式但是retrain的模型特征不一定符合当前需要检测的缺陷种类；一种方案是使用RetinaNet，它在准确度上达到很高的水平，但是只依靠RetinaNet进行检测并不能在工业检测上满足好坏检测以及缺陷位置标记，其结果无法给出综合评判好坏的分值也无法实现缺陷的像素分割；一种方案是采用U
‑
NET，该网络模型在医学影像图像上有较为优秀的结果，但是针对工业图像由于工况的复杂性而难以收敛，收敛之后也有很大的可能性出现过拟合现象。

技术实现思路

[0004]为解决上述问题，本专利技术提出利用一个包含分割和分类在内的融合神经网络，在有限的参数量不影响检测速度的前提下保证输出缺陷位置图像分辨率和清晰的缺陷边界，并且给出OK/NG的分值以供工厂质检人员自行控制检测严苛程度，一种基于深度学习的工业零件缺陷检测方法，包括步骤：
[0005]S1：获取预设数量的工业零件原始图像及经过缺陷标记后的缺陷标注图；
[0006]S2：根据缺陷标注图获取卷积池化处理后的特征图，将特征图与池化阶段中各池化层的输出进行融合，并利用初始卷积核卷积得到分割网络；
[0007]S3：调整卷积核大小依次对分割网络进行训练；
[0008]S4：根据原始图像和缺陷标注图对相应分割网络的输出结果进行分类训练，得到
分类网络；
[0009]S5：根据分割网络和分类网络对工业零件原始图像进行缺陷程度、缺陷位置和缺陷种类判断。
[0010]进一步地，所述步骤S1中，缺陷标注图为根据缺陷的种类，在原始图像缺陷对应位置设置相应灰度值的掩膜图像。
[0011]进一步地，所述步骤S2中，池化处理包括第一池化层至第三池化层，各池化层为别有预设数量的卷积层，池化层之间通过最大池化下采样层连接。
[0012]进一步地，特征图与池化阶段的池化层融合的具体步骤为：
[0013]对特征图依次进行三次上采样，其中，第一次上采样的输出与第三池化层的输出拼接融合，第二次上采样的输出与第二池化层的输出拼接融合，第三次上采样的输出与第一池化层的输出拼接融合。
[0014]进一步地，所述特征图在上采样后的输出和相应池化层的输出尺寸大小一致。
[0015]进一步地，所述步骤S4中，在进行分类训练前，还需通过近似最大函数结合交叉熵损失函数对分割网络的输出结果进行处理，以获得分割后含有特征概率的缺陷图像。
[0016]进一步地，所述近似最大函数为：
[0017][0018]式中，P
k
(x)为第x个像素点出现第k个特征的概率，a
k
(x)为第x个像素点在第k个特征的激活函数，k为特征的类别数。
[0019]进一步地，所述交叉熵损失函数为：
[0020][0021][0022]式中，k＝{1，2...K}为每个像素正确的标签，Ω为特征空间，ω(x)为第x个像素点的权重，E为分割网络转换为分类网络的能量损失；ω
c
为类别的初始预设权重值，d1为到最近缺陷边界的距离，d2为到第二近缺陷边界的距离，ω0和σ为预设像素值。
[0023]进一步地，所述步骤S3之后还包括步骤，
[0024]S31：判断训练后分割网络的输出结果是否满足预设精度，若是，进入步骤S4，否则，返回步骤S3。
[0025]与现有技术相比，本专利技术至少含有以下有益效果：
[0026](1)本专利技术所述的一种基于深度学习的工业零件缺陷检测方法，通过先后池化
‑
上采样
‑
融合的处理，将缺陷分割的问题转换为分类问题，从而可以很好的利用卷积神经网络擅长分类的优势，实现工业零件的缺陷标注和分类；
[0027](2)通过多池化层的融合，相比于一般神经网络的分类器直接依赖于最后一层的输出(深层的复杂度高)，融合后的输出能够更加充分结合浅层的简单特征，所以即使对于小样本也不容易过拟合；
[0028](3)由于数据的融合，网络层数较少，在保证检测结果质量的同时，还提高了检测效率；
[0029](4)采用分段是训练策略，先进行缺陷位置和缺陷程度的分割训练，再转换为分类训练，可以很好的在小参数量上重头训练并防止过拟合现象的发生，拥有良好的泛化性。
附图说明
[0030]图1为一种基于深度学习的工业零件缺陷检测方法的方法步骤图；
[0031]图2为池化
‑
上采样
‑
融合过程的结构示意图。
具体实施方式
[0032]以下是本专利技术的具体实施例并结合附图，对本专利技术的技术方案作进一步的描述，但本专利技术并不限于这些实施例。
[0033]实施例一
[0034]为解决现有技术手段中，对于工业零件缺陷的检测，人工检测标准不统一、持续性低，模块化智能检测的前期学习时间成本高、参数需求量大、无法满足新工业速度要求的问题。本专利技术提出了一种新的融合神经网络，从而实现在有限的参数量下即实现检测速度的高效性，又能够保证输出的缺陷位置图像分辨率和清晰度的可辨性，其具体如图1所示，一种基于深度学习的工业零件缺陷检测方法，包括步骤：
[0035]S1：获取预设数量的工业零件原始图像及经过缺陷标记后的缺陷标注图(对工业零件原始图像的缺陷处进行缺陷标记的图像)；
[0036]S2：根据缺陷标注图获取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的工业零件缺陷检测方法，其特征在于，包括步骤：S1：获取预设数量的工业零件原始图像及经过缺陷标记后的缺陷标注图；S2：根据缺陷标注图获取卷积池化处理后的特征图，将特征图与池化阶段中各池化层的输出进行融合，并利用初始卷积核卷积得到分割网络；S3：调整卷积核大小依次对分割网络进行训练；S4：根据原始图像和缺陷标注图对相应分割网络的输出结果进行分类训练，得到分类网络；S5：根据分割网络和分类网络对工业零件原始图像进行缺陷程度、缺陷位置和缺陷种类判断。2.如权利要求1所述的一种基于深度学习的工业零件缺陷检测方法，其特征在于，所述步骤S1中，缺陷标注图为根据缺陷的种类，在原始图像缺陷对应位置设置相应灰度值的掩膜图像。3.如权利要求1所述的一种基于深度学习的工业零件缺陷检测方法，其特征在于，所述步骤S2中，池化处理包括第一池化层至第三池化层，各池化层为别有预设数量的卷积层，池化层之间通过最大池化下采样层连接。4.如权利要求3所述的一种基于深度学习的工业零件缺陷检测方法，其特征在于，特征图与池化阶段的池化层融合的具体步骤为：对特征图依次进行三次上采样，其中，第一次上采样的输出与第三池化层的输出拼接融合，第二次上采样的输出与第二池化层的输出拼接融合，第三次上采样的输出与第一池化层的输出拼接融合。5.如权利要求4所述的一种基于深度学习的工业零件缺...

【专利技术属性】
技术研发人员：李翔玮，林洲臣，王鑫欢，王泽霖，
申请(专利权)人：宁波聚华光学科技有限公司，
类型：发明
国别省市：