一种基于深度卷积神经网络和图像分割的划痕检测方法技术

本发明专利技术公开了一种基于深度卷积神经网络和图像分割的划痕检测方法，根据划痕形态特性设计多特征融合模块，添加在深度卷积神经网络结构中，对划痕进行识别和定位，提取划痕预测框图像；使用主成分分析方法计算划痕预测框图像主成分点，以主成分点为生长点对自适应均值分割后的划痕预测框图像做8邻域区域生长，实现对划痕像素的准确分割。本发明专利技术能够对划痕进行高精度的识别、定位和分割，为后续划痕尺寸精密测量提供便利。精密测量提供便利。精密测量提供便利。

【技术实现步骤摘要】
一种基于深度卷积神经网络和图像分割的划痕检测方法


[0001]本专利技术属于缺陷自动检测与精密测量领域，具体涉及一种基于深度卷积神经网络和图像分割的划痕检测方法。

技术介绍

[0002]现代工业智能化程度的提高对产品表面质量提出越来越高的要求。通常产品表面质量问题会出现在产品表面局部物理或化学性质不均匀的区域，如汽车和列车关键部件划痕、激光焊接产品焊缝、混凝土裂缝、芯片封装划痕等，根据这些缺陷的形态特征可以将其归结为划痕，有效检测表面划痕对确保产品质量和性能、提高成新率、保证使用安全具有重要意义。机器视觉技术作为一种无接触、无损伤的自动检测技术，具有安全可靠、光谱响应范围宽、可在恶劣环境下长时间工作等突出优点，将机器视觉技术应用于划痕自动检测是现阶段该领域的研究方向。
[0003]然而，工业现场的划痕图像中往往包含大量噪声，同时光照条件也是复杂多样的，导致图像灰度变化大且划痕和背景的对比度低，这对待测表面结构复杂、检测量大的划痕检测任务从确保检测精度和速度上都造成极大的困难。除此之外，在航空航天、军事武器、半导体及微电子等精密制造领域，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度卷积神经网络和图像分割的划痕检测方法，其特征在于：包括以下步骤：S1：根据划痕的形态特性，设计由上采样层、横向连接层和特征融合层组成的多特征融合模块，多特征融合模块将高层特征通过上采样得到与低层特征相同的尺度，再通过横向连接层进行融合，将单激发多盒探测器SSD网络中用于预测的6层特征层分别输入多特征融合模块；S2：构建类别和位置的损失函数，利用类别和位置的损失函数对多特征融合模块输出的特征层进行回归分析，基于损失函数对划痕进行识别，并计算划痕预测框坐标，输出划痕预测框图像；S3：用主成分分析方法计算划痕预测框图像中的划痕方向，由划痕方向计算均值点和起始点，作为区域生长种子点；S4：对划痕预测框图像进行自适应阈值分割，对自适应阈值分割后的划痕预测框图像中的像素点进行8邻域区域生长，将生长点集恢复至原图预测框位置，得到划痕分割结果。2.根据权利要求1所述的基于深度卷积神经网络和图像分割的划痕检测方法，其特征在于：所述步骤S1具体操作步骤包括：S101：多特征融合模块中的上采样层对SSD网络中用于预测的最后一层特征层和融合层中的第2、3、4、5层特征层进行反卷积运算，将用于预测的最后一层特征层和融合层中的第2、3、4、5层特征层的尺寸扩大为原来的2倍；S102：多特征融合模块中的横向连接层对SSD网络中用于预测的前5层特征层进行卷积运算，使SSD网络中用于预测的前5层特征层的通道数减少为原来的1/2，与经过上采样的特征图通道数保持一致以满足融合条件；S103：多特征融合模块中的融合层对经过上采样和横向连接的相同尺寸的特征图进行张量计算，得到包含深层和浅层特征信息的5层用于预测的特征层，将SSD网络中用于预测的最后一层特征层仍保留为第6层用于预测的特征层，将多特征融合模块中输出的6层特征层用于步骤S2中的预测。3.根据权利要求1所述的基于深度卷积神经网络和图像分割的划痕检测方法，其特征在于：所述步骤S2具体步骤包括：S201：计算类别和位置损失函数，并根据损失函数提取和筛选先验框，类别损失函数和位置损失函数的计算公式为：位置损失函数的计算公式为：其中，类别损失函数中，表示第i个先验框与第p种特征的第j个目标的真实物体框的匹配与否，若取1则表示匹配，取0则表示不匹配，表示第i个先验框与第p种特征，表示第i个先验框不与任何特征匹配，N是划痕真实物体框与先验框匹配的数量，pos是正样本先验框，neg是负样本先验框；位置损失函数中，是第i个先验框坐标与第v个先验框坐标
之间的偏差，表示第j个划痕真实物体框与第v个先验框之间的偏差，Smooth
L1
为L1正则化函数，c
x
,c
y
,w,h分别是先验框的中心坐标、宽...

【专利技术属性】
技术研发人员：周富强，杨乐淼，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：