一种基于卷积神经网络的图像缺陷检测方法技术

本发明专利技术公开了一种基于卷积神经网络的图像缺陷检测方法，目标检测技术领域，包括训练阶段和测试阶段；训练阶段：选取Q幅原始的缺陷检测图像及每幅原始的缺陷检测图像对应的真实检测分类图像构成训练集；构建卷积神经网络检测模型；将训练集中的每幅原始的RGB彩色图像进行数据增强，输入到卷积神经网络中进行训练，得到训练集中的每幅原始的缺陷图像对应的缺陷图像的检测结果；测试阶段：取多幅原始的缺陷图像以及相应的真实检测图像作为测试集；将检测的缺陷图像输入到卷积神经网络检测模型中，得到待检测图像对应的边框回归坐标、目标分类结果和置信度大小。本发明专利技术能够比较准确地描述缺陷存在的位置，从而有效地提高了缺陷检测的精确度。检测的精确度。检测的精确度。

【技术实现步骤摘要】
一种基于卷积神经网络的图像缺陷检测方法


[0001]本专利技术属于深度学习的目标检测
，更具体的说是涉及一种基于卷积神经网络的图像缺陷检测方法。

技术介绍

[0002]随着新一代信息技术与制造业的深入融合，引发制造业产生了巨大变革，逐步从数量扩增向质量提升转变。影响产品质量的因素多种多样，如产品存在变形等问题就会严重影响产品的价值。因此，产品图像缺陷的目标检测就异常重要。所谓目标检测，简单来讲就是检测图像中的对象是什么以及在哪里的问题，即“目标分类+定位”问题。
[0003]深度学习用于目标检测的算法从思路上来看，可以分为两大类，一类是两阶段检测方法，也就是把整个分为两部分，生成候选框和识别框内物体，它在检测准确率和定位精度上占优；另一类是单阶段检测方法，把整个流程统一在一起，直接给出检测结果，在算法速度上占优。前者作为特征提取器，给出图像不同大小、不同抽象层次的表示；后者则依据这些表示和监督信息学习类别和位置关联。检测头部负责的类别预测和位置回归两个任务常常是并行进行的，构成多任务的损失进行联合训练。其检测速度快，但在小物体目标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的图像缺陷检测方法，其特征在于，包括：训练阶段和测试阶段两个过程；所述的训练阶段过程的步骤为：步骤S11：选取Q幅原始的缺陷检测图像及每幅原始的缺陷检测图像对应的真实检测分类图像，并构成训练集；步骤S12：构建卷积神经网络检测模型；步骤S13：将训练集中的每幅原始的RGB彩色图像进行数据增强之后作为初始输入图像，输入到卷积神经网络中进行训练，得到训练集中的每幅原始的缺陷图像对应的缺陷图像的检测结果；步骤S14：计算训练集中的每幅原始的缺陷图像对应的边框回归坐标、目标分类结果和置信度大小构成的集合与对应的真实边框回归坐标、目标分类结果和置信度大小构成的集合之间的损失函数值；所述的测试阶段过程的步骤为：步骤S21：取多幅原始的缺陷图像以及相应的真实检测图像作为测试集；步骤S22：将检测的缺陷图像的R通道分量、G通道分量和B通道分量输入到卷积神经网络检测模型中，并利用已经训练好的网络权重进行预测，得到待检测图像对应的边框回归坐标、目标分类结果和置信度大小。2.根据权利要求1所述的一种基于卷积神经网络的图像缺陷检测方法，其特征在于，卷积神经网络检测模型包括特征提取层，编码层和解码层和检测层四个部分；特征提取层包含6个模块，分别定义为头部卷积模块，第1个提取模块，第2个提取模块，第3个提取模块，第4个提取模块，第5个提取模块；对于编码层，包含2个模块，分别定义为基础编码模块和编码模块；解码层包含2个模块，分别定义为分类子网络模块和边界框子网络模块；检测层包含1个检测模块。3.根据权利要求2所述的一种基于卷积神经网络的图像缺陷检测方法，其特征在于，头部卷积模块，由依次设置的第一卷积层，第一批量归一化层，第一激活层组成；其中第一卷积层采用卷积核大小为3，步长为1，边缘填充为1，卷积核个数为32；第一卷积层的输入端接收原始输入图像的RGB三通道分量，要求输入端接收的原始输入图像的宽度为W、高度为H；经过第一批量归一化层的归一化操作之后再经过第一激活层输出32幅输出特征图；将32副特征图构成的集合记为N1，其中每幅特征图的宽度为W、高度为H。4.根据权利要求3所述的一种基于卷积神经网络的图像缺陷检测方法，其特征在于，第1个提取模块，依次由基础模块，部分转换模块一，阶段模块，部分转换模块二，融合转换模块组成；基础模块依次由卷积层，归一化层和激活层组成，卷积层，卷积核大小为3
×
3，步长为2，填充系数为1，卷积核个数为64；部分转换模块一，依次由卷积层，卷积核为1，步长为1，卷积核个数为64，归一化层和激活层组成；阶段模块，则由1个残差模块组成，残差模块的主分支依次由下采样层，第一卷积层，卷积核为1，步长为1，第一归一化层，第一激活层，第二卷积层，卷积核为3，步长为1，填充系数为1，第二归一化层和第二激活层组成；部分转换模块二，依次由卷积层，卷积核为1，步长为1，归一化层和激活层组成；融合转换模块，依次由卷积层，卷积核大小为1，步长为1，归一化层，激活层组成；第2个提取模块，依次由基础模块，部分转换模块一，阶段模块，部分转换模块二，融合
转换模块组成；基础模块依次由卷积层，归一化层和激活层组成，卷积层，卷积核大小为3
×
3，步长为2，填充系数为1，卷积核个数为128；部分转换模块一，依次由卷积层，卷积核为1，步长为1，卷积核个数为64，归一化层和激活层组成；阶段模块，由2个残差模块组成，对于第一个残差模块，主分支依次由下采样层，第一卷积层，卷积核为1，步长为1，第一归一化层，第一激活层，第二卷积层，卷积核为3，步长为1，填充系数为1，第二归一化层和第二激活层组成；第二个残差模块，与第一个残差模块相比没有下采样层，其他结构完全相同；对于部分转换模块二，依次由卷积层，卷积核为1，步长为1，归一化层和激活层组成；对于融合转换模块，依次由卷积层，卷积核大小为1，步长为1，归一化层，激活层组成；第3个提取模块，依次由基础模块，部分转换模块一，阶段模块，部分转换模块二，融合转换模块组成；基础模块依次由卷积层，归一化层和激活层组成，对于卷积层，卷积核大小为3
×
3，步长为2，填充系数为1，卷积核个数为256；对于部分转换模块一，依次由卷积层，卷积核为1，步长为1，卷积核个数为128，归一化层和激活层组成；阶段模块，则由8个残差模块组成，第一个残差模块，主分支依次由下采样层，第一卷积层，卷积核为1，步长为1，第一归一化层，第一激活层，第二卷积层，卷积核为3，步长为1，填充系数为1，第二归一化层和第二激活层组成；其他残差模块，与第一个残差模块相比没有下采样层，其他结构完全相同；部分转换模块二，依次由卷积层，卷积核为1，步长为1，归一化层和激活层组成；融合转换模块，依次由卷积层，卷积核大小为1，步长为1，归一化层，激活层组成；第4个提取模块，依次由基础模块，部分转换模块一，阶段模块，部分转换模块二，融合转换模块组成；基础模块依次由卷积层，归一化层和激活层组成，对于卷积层，卷积核大小为3
×
3，步长为2，填充系数为1，卷积核个数为512；部分转换模块一，依次由卷积层，卷积核为1，步长为1，卷积核个数为256，归一化层和激活层组成；阶段模块，则由8个残差模块组成，对于第一个残差模块，主分支依次由下采样层，第一卷积层，卷积核为1，步长为1，第一归一化层，第一激活层，第二卷积层，卷积核为3，步长为1，填充系数为1，第二归一化层和第二激活层组成；其他残差模块，与第一个残差模块相比没有下采样层，其他结构完全相同；部分转换模块二，依次由卷积层，卷积核为1，步长为1，归一化层和激活层组成；融合转换模块，依次由卷积层，卷积核大小为1，步长为1，归一化层...

【专利技术属性】
技术研发人员：杨利军，邓新，
申请(专利权)人：深圳市涌固精密治具有限公司，
类型：发明
国别省市：