本发明专利技术公开了一种铝材表面缺陷检测装置与方法，涉及铝材表面缺陷检测技术领域，包括以下步骤：预先获取铝材表面图像信息，并搭建深度网络检测模型，将铝材表面图像信息作为主干网络的特征输入信息，主干网络输出为若干不同尺度的特征张量作为挤压激活模块的输入进行聚焦铝材缺陷维度特征并进行输出分别作为分割网络、分类网络和检测网络的输入，在将获取的多维度特征信息与铝材表面缺陷数据集进行对比获取铝材表面缺陷信息。本发明专利技术实现铝材表面缺陷检测，不仅基于少量数据更早的提高准确率并使模型收敛，而且铝材表面缺陷检测精度高以及稳定高效，提高了自动化程度，减轻了劳动强度，能更快速、准确的定位缺陷部位，易于维护。护。护。
【技术实现步骤摘要】
一种铝材表面缺陷检测装置与方法
[0001]本专利技术涉及铝材表面缺陷检测
，具体来说，涉及一种铝材表面缺陷检测装置与方法。
技术介绍
[0002]在铝材的实际生产过程中，由于各方面因素的影响，铝材表面会产生脏点、不导电和漏底等缺陷，这些缺陷会严重影响铝材的质量。为保证产品质量，需要人工进行肉眼目测。然而，铝材的表面自身会含有纹路，与瑕疵的区分度不高，传统人工肉眼检查十分费力，不能及时准确的判断出表面缺陷，质检的效率难以把控。
[0003]随着深度学习的发展，特别是卷积神经网络在图像识别、图像检测和图像分割等方面的应用，所取得的效果是过往使用传统算法无法比拟的。图像检测处于图像识别和图像分割的衔接阶段，是一种能够检测出图像中特定类别的物体的位置并给出相应的类别置信度。基于深度学习的目标检测算法有二阶段检测算法和单阶段检测算法，二阶段检测算法速度虽较慢但具有更高的检测性能。
[0004]但是通用的目标检测算法对于铝材表面缺陷的检测性能并不近乎人意，主要原因是铝材缺陷图像数量较少，铝材表面缺陷大小变化大，形状并不固定等。
[0005]针对相关技术中的问题，目前尚未提出有效的解决方案。
技术实现思路
[0006]针对相关技术中的问题，本专利技术提出一种铝材表面缺陷检测装置与方法，以克服现有相关技术所存在的上述技术问题。
[0007]本专利技术的技术方案是这样实现的：
[0008]本专利技术一个方面：
[0009]一种铝材表面缺陷检测方法，包括以下步骤：<br/>[0010]步骤S1，预先获取铝材表面图像信息；
[0011]步骤S2，搭建深度网络检测模型，其中包括用于共享提取特征的主干网络、用于聚焦铝材缺陷维度特征的挤压激活模块、用于金属区域分割的分割网络、用于多标签分类的分类网络和用于缺陷目标检测的检测网络，且所述铝材表面图像信息作为所述主干网络的特征输入信息，所述主干网络输出为若干不同尺度的特征张量，所述不同尺度的特征张量作为所述挤压激活模块的输入进行聚焦铝材缺陷维度特征并进行输出，将输出向量分别作为所述分割网络、所述分类网络和所述检测网络的输入；
[0012]步骤S3，将获取的多维度特征信息与铝材表面缺陷数据集进行对比获取铝材表面缺陷信息并作为识别信息。
[0013]其中，所述主干网络包括深度残差网络和特征金字塔网络，所述深度残差网络用于进行所述铝材表面图像信息特征提取，所述特征金字塔网络用于对所述深度残差网络进行拼接融合，获取多尺度的特征图。
[0014]其中，所述挤压激活模块，包括以下步骤：
[0015]步骤S201，预先基于特征张量的空间维度来进行特征压缩，包括将不同尺度的特征张量标定实数，并保持输出的维度和输入的通道数相匹配；
[0016]步骤S202，进行通过全连接层将特征维度降低到输入的标定维度，再经过ReLu激活后再升回到原来维度，并获得归一化权重；
[0017]步骤S203，进行基于ReLu激活输出的权重完成在通道维度上的对原始特征张量的重标定。
[0018]其中，所述分割网络，包括以下步骤：
[0019]步骤S204，输入聚焦铝材缺陷维度特征的特征图经连续上采样，得到尺寸与输入图像一致的多通道张量；
[0020]步骤S205，再采用Sigmoid函数进行激活，最后每个像素选取通道下标的最大值作为分类，获取包含前景和背景的分割图像。
[0021]其中，所述选取通道下标的最大值作为分类，包括将二分类交叉熵作为损失函数，表示为：
[0022][0023]其中，和y
i
分别为每个像素的预测分类和实际分类，N为图像的像素数目。
[0024]其中，所述分类网络，包括以下步骤：
[0025]步骤S206，预先基于聚焦铝材缺陷维度特征的特征图分别经自适应最大池化层和自适应平均池化层得到两个一维张量，其中，所述自适应最大池化层用于捕获特征图中的显著性缺陷区域，所述自适应平均池化层用于捕获特征图中的大面积缺陷区域；
[0026]步骤S207，再对两个张量进行拼接融合，经全连接层和Sigmoid激活函数得到每个类别的置信度，并获取分类结果。
[0027]其中，所述检测网络，包括以下步骤：
[0028]步骤S208，预先基于Faster RCNN网络，使用二阶检测框架对聚焦铝材缺陷维度特征的特征图进行检测，其中包括经区域推荐网络计算预设锚框的前景置信度；
[0029]步骤S209，通过非极大值抑制算法筛选获取锚框，将其对应的推荐区域特征图作为待检测对象；
[0030]步骤S210，获取推荐区域特征图中每个缺陷的类别和位置。
[0031]其中，还包括以下步骤：
[0032]标定Faster RCNN网络的损失函数，表示为：
[0033][0034][0035][0036][0037]L
obj
＝L
obj_cls
+L
obj_reg
+L
rpn_cls
+L
rpn_reg
；
[0038]其中，L
rpn_cls
和L
rpn_reg
分别为区域推荐网络的前景分类损失和位置回归损失，L
obj_cls
和L
obj_reg
分别为预测目标的分类损失和位置回归损失，N
rpn
为筛选前的锚框数目，p
j
和分别为第j个锚框的预测前景置信度和实际前景置信度，N
obj
为筛选后的锚框数目，p
i
和分别为第i个锚框的预测缺陷类别概率和实际缺陷类别概率，t
i
和分别为第i个锚框预测的位置和实际位置，B
CE
为二分类交叉熵损失函数，s
L1
为改进的L1范数。
[0039]本专利技术一个方面：
[0040]一种铝材表面缺陷检测装置，用于铝材表面缺陷检测方法的检测装置，包括：图像传感模块，用于实时采集铝材表面图像信息；数据存储模块，用于存储铝材表面缺陷数据集；深度网络检测模型，用于对所述图像传感模块进行检测并基于所述数据存储模块获取多维度特征信息。
[0041]本专利技术的有益效果：
[0042]本专利技术铝材表面缺陷检测装置与方法，通过预先获取铝材表面图像信息，并搭建深度网络检测模型，将铝材表面图像信息作为主干网络的特征输入信息，主干网络输出为若干不同尺度的特征张量，不同尺度的特征张量作为挤压激活模块的输入进行聚焦铝材缺陷维度特征并进行输出，将输出向量分别作为分割网络、分类网络和检测网络的输入，在将获取的多维度特征信息与铝材表面缺陷数据集进行对比获取铝材表面缺陷信息，实现铝材表面缺陷检测，不仅基于少量数据更早的提高准确率并使模型收敛，而且铝材表面缺陷检测精度高以及稳定高效，提高了自动化程度，减轻了劳动强度，能更快速、准确的定位缺陷部本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种铝材表面缺陷检测方法，其特征在于，包括以下步骤：预先获取铝材表面图像信息；搭建深度网络检测模型，其中包括用于共享提取特征的主干网络、用于聚焦铝材缺陷维度特征的挤压激活模块、用于金属区域分割的分割网络、用于多标签分类的分类网络和用于缺陷目标检测的检测网络，且所述铝材表面图像信息作为所述主干网络的特征输入信息，所述主干网络输出为若干不同尺度的特征张量，所述不同尺度的特征张量作为所述挤压激活模块的输入进行聚焦铝材缺陷维度特征并进行输出，将输出向量分别作为所述分割网络、所述分类网络和所述检测网络的输入；将获取的多维度特征信息与铝材表面缺陷数据集进行对比获取铝材表面缺陷信息并作为识别信息。2.根据权利要求1所述的铝材表面缺陷检测方法，其特征在于，所述主干网络包括深度残差网络和特征金字塔网络，所述深度残差网络用于进行所述铝材表面图像信息特征提取，所述特征金字塔网络用于对所述深度残差网络进行拼接融合，获取多尺度的特征图。3.根据权利要求2所述的铝材表面缺陷检测方法，其特征在于，所述挤压激活模块，包括以下步骤：预先基于特征张量的空间维度来进行特征压缩，包括将不同尺度的特征张量标定实数，并保持输出的维度和输入的通道数相匹配；进行通过全连接层将特征维度降低到输入的标定维度，再经过ReLu激活后再升回到原来维度，并获得归一化权重；进行基于ReLu激活输出的权重完成在通道维度上的对原始特征张量的重标定。4.根据权利要求3所述的铝材表面缺陷检测方法，其特征在于，所述分割网络，包括以下步骤：输入聚焦铝材缺陷维度特征的特征图经连续上采样，得到尺寸与输入图像一致的多通道张量；再采用Sigmoid函数进行激活，最后每个像素选取通道下标的最大值作为分类，获取包含前景和背景的分割图像。5.根据权利要求4所述的铝材表面缺陷检测方法，其特征在于，所述选取通道下标的最大值作为分类，包括将二分类交叉熵作为损失函数，表示为：其中，和y
i
分别为每个像素的预测分类和实际分类，N为图像的像素数目。6.根据权利要求5所述的铝材表面缺陷检测方法，其特征在于，所述分类网络，包括以下步骤：预先基于聚焦铝材缺陷维度特征的特征图分别经自适应最大池化层和自适应平均池化层得到两个一维张量，其中，所述自适应最大池化层用于捕获特征图中的显著性缺陷区域，所述自适应平均池化层用于捕获特征图...
【专利技术属性】
技术研发人员：徐国明，夏乐雯，夏朝阳，葛赓，
申请(专利权)人：苏州兆能视觉科技有限公司，
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。