【技术实现步骤摘要】
基于交互注意力与卷积神经网络的瓷砖表面缺陷检测方法
[0001]本专利技术涉及缺陷图像识别
,具体涉及一种基于交互注意力与卷积神经网络的瓷砖表面缺陷检测方法,尤其适用于轻量级瓷砖的检测。
技术介绍
[0002]不同类型瓷砖生产不同,但都存在瓷砖表面图像缺陷问题,以抛釉砖为例,经过原材料混合研磨、脱水、压胚、喷墨印花、淋釉、烧制、抛光,最后进行质量检测和包装。得益于产业自动化的发展,目前生产环节已基本实现无人化。
[0003]而质量检测环节仍大量依赖人工完成。一般来说,一条产品线需要配2~6名质检工,长时间在高光下观察瓷砖表面寻找瑕疵。这样导致质检效率低下、质检质量层次不齐且成本居高不下。瓷砖表面检测是瓷砖行业生产和质量管理的重要环节,也是困扰行业多年的技术瓶颈。
技术实现思路
[0004]针对上述问题,本专利技术的目的在于提供一种基于交互注意力与卷积神经网络的瓷砖表面缺陷检测方法,其目的在于通过多尺度特征融合获取更多的多尺度特征信息来丰富表征能力,通过交互注意力加大缺陷部位的权重来提高缺陷检测精度,提升瓷砖表面瑕疵质检的效果和效率,降低对人工的依赖。
[0005]本专利技术提供了一种基于交互注意力与卷积神经网络的瓷砖表面缺陷检测方法,具体做法如下:
[0006]利用工业相机采集到的瓷砖高分辨率图像,建立瓷砖缺陷图像库;
[0007]将图像库中的图像进行裁剪,随后将瓷砖缺陷图像库中待标注的缺陷图像,同无缺陷的标准瓷砖图像进行图像对齐,将标准瓷砖图像与缺陷图像通过变换 ...
【技术保护点】
【技术特征摘要】
1.一种基于交互注意力与卷积神经网络的瓷砖表面缺陷检测方法,其特征在于,包括以下步骤:步骤1,利用工业相机采集到的瓷砖高分辨率图像,建立瓷砖缺陷图像库;步骤2,将图像库中的图像进行裁剪,随后将瓷砖缺陷图像库中待标注的缺陷图像,同无缺陷的标准瓷砖图像进行图像对齐,将标准瓷砖图像与缺陷图像通过变换处理对齐到相同角度和位置,最后获得对齐后的差分图像;步骤3,对预处理后的瓷砖缺陷图像库中缺陷图像进行缺陷类别标注,并将标注后的缺陷图像预处理后分为训练集和测试集;步骤4,采用数据增强技术对训练集和测试集中的缺陷图像进行增强;步骤5,建立基于交互注意力与卷积神经网络的轻量级瓷砖表面缺陷的目标检测神经网络;步骤6,将经过预处理并增强后的缺陷图像输入到目标检测神经网络中,对目标检测神经网络进行训练,获得优化后的目标检测神经网络;步骤7,在线采集瓷砖表面图像,并基于优化后的目标检测神经网络对瓷砖进行缺陷检测,若存在缺陷则检测到缺陷目标位置并获得目标缺陷类别。2.根据权利要求1所述的基于交互注意力与卷积神经网络的瓷砖表面缺陷检测方法,其特征在于:所述步骤2中,瓷砖图像库由工业相机采集的高分辨率图像组成,主要数据为瓷砖图像,缺陷种类有8类,包括边缺陷、角缺陷、白色点瑕疵、浅色块瑕疵、深色点块瑕疵、光圈瑕疵、记号笔以及划伤,数据包含有缺陷图片、无缺陷图片和标注数据,标注数据标注缺陷位置和类别信息。3.根据权利要求1所述的基于交互注意力与卷积神经网络的瓷砖表面缺陷检测方法,其特征在于:所述步骤2中,缺陷检测方法的步骤为:步骤2.1,将缺陷图像与无缺陷的标准瓷砖图像分别都转化为灰度图;步骤2.2,其次对缺陷图像与无缺陷的标准瓷砖图像的灰度图像进行亮度与对比度上的对齐;步骤2.3,对两张灰度图进行特征提取,使用SURF特征提取算子,后进行特征点匹配,获得透视变换矩阵L,将图像投影到一个新的视平面,其变换公式为:其中[x',y',l']是变换后的坐标,[u,v,l]是变换前的坐标,由于灰度图为二维图像,所以原坐标的l恒为1,则为变换之后的图像像素坐标,透视变换矩阵解释如下图:
T2=[a
13 a
23
]
T
T3=[a
31 a
32
]L表示透视变换矩阵,其中a
ij
表示计算出的变换矩阵中的每个数值标量,其中T1矩阵表示图像线性变换,T2向量用于产生图像透视变换,T3向量表示图像平移,经过变换从而实现缺陷图像与无缺陷的标准瓷砖图像对齐;步骤2.4,将对齐后的无缺陷标准瓷砖图像与缺陷图像的灰度图进行差分,获得差分后的图像像素矩阵。4.根据权利要求1所述的基于交互注意力与卷积神经网络的瓷砖表面缺陷检测方法,其特征在于:所述步骤4中:步骤4.1,使用随机旋转、随机平移、随机翻转、随机剪裁对缺陷图像进行随机的角度旋转,垂直、水平方向翻转,随机方向平移,另外还对缺陷图像进行随机剪裁部分区域,从而增强图像表征能力;步骤4.2,使用色彩变换和直方图均衡化方式,针对边缺陷、角缺陷依赖几何图形的缺陷进行增强,针对白色点瑕疵、浅色块瑕疵、深色点块瑕疵、光圈瑕疵缺陷使用了亮度、对比度、色相增强方式。5.根据权利要求1所述的基于交互注意力与卷积神经网络的瓷砖表面缺陷检测方法,其特征在于:所述步骤5中,步骤5.1,使用获得的增强后的训练集与缺陷标注信息作为输入,再次使用步骤2中的所述对齐模块对训练图像与无缺陷标准瓷砖图像进行对齐,获得第二差分图像;步骤5.2,利用特征提取神经网络分别对第二差分图像与原缺陷图像分别进行特征提取,特征提取模块使用EffNet的特征提取神经网络,该特征提取模块公式如下:E(x)=f2...
【专利技术属性】
技术研发人员:韩琦,侯明阳,翁腾飞,陈国荣,杨恒,武宸,王洪艺,田升,解燕,张澳,张崟溧,
申请(专利权)人:重庆科技学院,
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。