【技术实现步骤摘要】
基于深度学习和高斯混合的工业产品表面缺陷检测方法
[0001]本专利技术涉及缺陷检测与计算机视觉领域,具体为一种基于深度学习和高斯混合的工业产品表面缺陷检测方法。
技术介绍
[0002]随着全球工业进入4.0时代,在工业生产智能化、高效率、低成本、高质量的发展趋势下,对于工业产品缺陷检测的需求越来越大,标准也越来越高。工业生产过程中,由于技术限制、设备老化、环境污染等因素,不可避免地会生产出带有缺陷的产品。严重或过多的缺陷会降低产品的质量,尤其是对于像LCD、USB等具有精细电子线路结构的元件,最坏的情况下缺陷将导致产品无法使用。所以,准确地检测到工业生产过程中产品的缺陷对于工业生产意义重大。
[0003]目前,工业生产中所使用的缺陷检测方法大体可以分为三种。(1)人工检测方法。这种方法传统并且在中小企业中仍然广泛使用,但是由于工人技能水平不一,无法保持长期专注力等原因,导致这种方法存在效率低,准确率较差的缺陷。(2)借助专业设备的物理检测方法,其代表方法有:共振超声振动法、电子散斑干涉分析法等。然而这种方法也存在着专业设备造价成本较高,操作流程复杂的缺陷。(3)基于计算机视觉和深度学习,通过搭建、训练神经网络模型来实现缺陷检测。这种方法在人工智能火热发展后得到了更多的关注。相比于前两种方法,这种方法的优势在于降低了人力和设备成本,提高了检测效率的同时可以保持一个相对稳定的检测正确率,大大提升生产效益,实现了智能化的工业产品表面缺陷检测。
[0004]综合考虑经济效益与检测准确率等等因素,可以发现使用 ...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习和高斯混合的工业产品表面缺陷检测方法,其特征在于,包括如下步骤:S1、预先在ImageNet ILSVRC2012数据集上训练一个EfficienNet
‑
B5网络模型;S2、采集工业产品表面的图像数据,进行图像清理操作;S3、选择正常产品数据即无缺陷产品的图像,使用步骤S1预训练网络模型提取图像表征信息;S4、使用高斯混合模型拟合无缺陷产品表征信息的分布;S5、使用少量缺陷产品数据,计算其表征信息和高斯混合模型的距离的加权求和作为异常值,选择当中的最小值作为缺陷检测阈值;S6、计算测试样本的异常值,利用缺陷检测阈值来判断样本是否属于缺陷产品。2.根据权利要求1所述的基于深度学习和高斯混合的工业产品表面缺陷检测方法,其特征在于,步骤S1中,使用在ImageNet数据集上借助分类任务预训练的EfficientNet
‑
B5网络模型,利用ImageNet数据集的内容广泛性,该预训练的EfficientNet
‑
B5网络模型可重复利用于不同的产品表征信息提取的过程中。3.根据权利要求1所述的基于深度学习和高斯混合的工业产品表面缺陷检测方法,其特征在于,步骤S3中,仅选择正常产品数据来提取图像表征信息,目的在于应对实际生产中缺陷产品数量较少,收集困难的情况。4.根据权利要求1所述的基于深度学习和高斯混合的工业产品表面缺陷检测方法,其特征在于,步骤S3中,提取图像表征信息的方法具体如下:S31、图像输入预训练的EfficienNet
‑
B5网络模型,在其前向传播中,提取其中9层尺寸分别为48
×
112
×
112,24
×
112
×
112,40
×
56
×
56,64
×
28
×
28,128
×
14
×
14,176
×
14
×
14,304
×7×
7,512
×7×
7,2048
×7×
7的特征图,尺寸格式为:通道数C
×
高H
×
宽W;S32、对每层的特征图先后使用自适应平均池化,张量拉平,维度降低处理操作,获得代表该层特征图信息的向量,以上操作将每一通道维度的特征图平均池化到一个值,即最终获得一个维度数等于通道数的向量,即获得的代表9层的特征图向量的维度分别为4...
【专利技术属性】
技术研发人员:叶芸,董泽宇,郭太良,姚剑敏,李德财,
申请(专利权)人:闽都创新实验室,
类型:发明
国别省市:
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。