一种基于AI的工业孔壁缺陷检测系统及识别算法技术方案

本发明专利技术涉及缺陷检测技术领域，具体地说，涉及一种基于AI的工业孔壁缺陷检测系统及识别算法。其包括数据采集单元、数据预处理单元、特征提取单元、缺陷检测单元和损失函数单元；数据采集单元用于将被摄取目标转换成图像信号，数据预处理单元用于将数据采集单元采集的图像信号进行数据增广，并将训练集和测试集中的图像减去均值，特征提取单元用于图像最优化每个节点权重系数及偏置；缺陷检测单元用于根据特征提取单元中的图像特征确定检测缺陷位置的中心点；本发明专利技术只需将图片转换为图像信号，就可获取缺陷位置和种类，解放肉眼观察，统一检测标准，保证产品质量一致性，并且提升检测速度，从而提高了工业产品内壁缺陷检测速度。度。度。

【技术实现步骤摘要】
一种基于AI的工业孔壁缺陷检测系统及识别算法


[0001]本专利技术涉及缺陷检测
，具体地说，涉及一种基于AI的工业孔壁缺陷检测系统及识别算法。

技术介绍

[0002]目前工业产品孔内壁缺陷检测大部分依靠人工，该方案检测速度慢，同时检测结果受检验人员的经验、熟练程度以及一些主观因素的影响，缺乏一致性和可靠性，传统的工业产品内壁缺陷检测的技术主要通过超景深显微镜进行倾斜查看，该方法很难实现自动化，而且会产生图像畸变，检测效率低下，检测误差率较高，且目前利用深度学习方法进行工业产品内壁缺陷检测的方法，主要利用两阶段目标检测算法，该方法首先生成大量候选图片，之后再利用卷积神经网络对图片进行分类和回归，这种方法比较费时，鉴于此，我们提出一种基于AI的工业孔壁缺陷检测系统及识别算法。

技术实现思路

[0003]本专利技术的目的在于提供一种基于AI的工业孔壁缺陷检测系统及识别算法，以解决上述
技术介绍
中提出的问题。
[0004]为实现上述目的，一方面，本专利技术提供一种基于AI的工业孔壁缺陷检测系统，包括数据采集单元、数据预处理单元、特征提取单元、缺陷检测单元和损失函数单元；
[0005]所述数据采集单元用于将被摄取目标转换成图像信号，并传输给图像处理系统，采用人工智能根据像素分布、亮度及颜色等信息，转变成数字化信号，图像处理系统对其进行运算来抽取目标的特征，进而得到检测结果或实现反馈控制；
[0006]所述数据预处理单元用于将所述数据采集单元采集的图像信号通过旋转、平移、镜像、调节图片亮度方式进行数据增广，增加算法的鲁棒性，并将训练集和测试集中的图像减去均值，使图像进行归一化处理；
[0007]所述特征提取单元用于将所述数据预处理单元预处理后的图像最优化每个节点权重系数及偏置，从而使网络特征更加适合具体项目，提高其使用精度；
[0008]所述缺陷检测单元用于根据所述特征提取单元中的图像特征确定检测缺陷位置的中心点，并在该中心点位置回归出缺陷框的大小和偏移量，检测出缺陷的位置和种类；
[0009]所述损失函数单元用于对所述缺陷检测单元中的缺陷位置的网络参数优化指定方向。
[0010]作为本技术方案的进一步改进，所述数据采集单元包括光信息传输模块和图像获取模块；
[0011]所述光信息传输模块用于实现外部光源的导入和孔壁内部图像的导出，光信息传输部分则由相机、镜头、光源及视像管等组成，测量时，视像管在电控位移导轨的驱动下，扫描被测孔壁；
[0012]所述图像获取模块用于被摄取目标转换成图像信号。
[0013]作为本技术方案的进一步改进，所述光信息传输模块的图像展开宽度计算公式如下：
[0014]s＝d*p*m
[0015]其中，d为图像展开宽度，p为像素当量，m为相机帧率，s为轴进速度，关键参数的配置以及影响因素的研究十分重要，可以提高工作的协调性和稳定性。
[0016]作为本技术方案的进一步改进，所述特征提取单元采用网络学习权值算法，计算公式如下：
[0017]Y
i
＝α
i
X
1i
+β
i
X
2i
[0018]Y
i
为融合后第i通道的特征，X
1i
为融合前第一个特征图中第i通道的特征，X
2i
为融合前第二个特征图中第i通道的特征，α
i
和β
i
为不同通道的加权系数，该系数通过网络自动学习得到，利用该策略网络可自动学习到不同通道之间的重要性，从而提升精度。
[0019]作为本技术方案的进一步改进，所述缺陷检测单元包括采集模块、语义特征获取模块和特征融合模块；
[0020]所述采集模块用于扩大空间分辨率；
[0021]所述语义特征获取模块用于抽取特征并同时降低空间分辨率，获取高层语义特征；
[0022]所述特征融合模块用于将所述采集模块扩大空间分辨率的同时融合上半部分不同分辨率下的特征层，从而可以输出缺陷中心点热图，中心点位置偏移以及大小和缺陷种类。
[0023]作为本技术方案的进一步改进，所述采集模块采用反卷积方式，反卷积计算公式如下：
[0024]f*g＝h
[0025]其中，f是预期恢复信号，g为驱动力，h为卷积。
[0026]作为本技术方案的进一步改进，所述特征融合模块采用权融合多层特征的网络算法，包括以下步骤：
[0027]①
、采用反向传播方法训练模型，并使用随机梯度下降法更新网络参数；
[0028]②
、设置初始学习率，完成多次，迭代后调整一次学习率；
[0029]③
、设置批量输入网络样本的数量。
[0030]作为本技术方案的进一步改进，所述损失函数单元包括以下姿态：
[0031]姿态一：中心点位置热图损失，采用Focal loss作为损失函数，其表达式如下所示：
[0032][0033]其中α和β为超参数，通过该超参数可有效解决类别不平衡问题；
[0034]姿态二：缺陷位置中心偏移损失，采用smooth L1 loss作为损失函数；
[0035]姿态三：缺陷大小损失函数，同样采用smooth L1 loss作为损失函数，其表达式如下所示：
[0036][0037]姿态四：采用二分交叉熵作为损失函数，其表达式如下：
[0038][0039]其中y∈{0,1}，该损失函数可用于确定缺陷的种类。
[0040]另一方面，本专利技术还提供一种基于AI的工业孔壁缺陷检测的识别算法，包括上述中任意一项所述的基于AI的工业孔壁缺陷检测系统，其操作步骤如下：
[0041]S1、数据采集：采用数据采集单元将被摄取目标转换成图像信号，并传输给图像处理系统，采用人工智能根据像素分布、亮度及颜色等信息，转变成数字化信号；
[0042]S2、数据预处理：采用数据预处理单元将采集的图像信号通过旋转、平移、镜像、调节图片亮度方式进行数据增广，同时采用图像处理算法将训练集和测试集中的图像减去均值，并将图像进行归一化处理；
[0043]S3、特征提取：采用特征提取单元将预处理后的图像，采用网络学习权值算法，最优化每个节点权重系数及偏置，从而使网络特征更加适合具体项目，提高其使用精度；
[0044]S4、缺陷检测：采用缺陷检测单元，根据图像特征，采用权融合多层特征的网络算法，确定检测缺陷位置的中心点，并在该中心点位置回归出缺陷框的大小和偏移量，检测出缺陷的位置和种类，权融合了不同分辨率下的卷积特征，使得所提取的特征能够更好的用于识别缺陷种类和位置，主要将缺陷看成一个点，采用无预设框方式检测缺陷，模型是端到端可微的，更简单，更快，更精确；
[0045]S5、损失函数确定：采用损失函数单元判断合适的损失函数，对缺陷位置的网络参数优化指定方向。
[0046]与现有技术相比，本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AI的工业孔壁缺陷检测系统，其特征在于，包括数据采集单元(100)、数据预处理单元(200)、特征提取单元(300)、缺陷检测单元(400)和损失函数单元(500)；所述数据采集单元(100)用于将被摄取目标转换成图像信号，并传输给图像处理系统；所述数据预处理单元(200)用于将所述数据采集单元(100)采集的图像信号通过旋转、平移、镜像、调节图片亮度方式进行数据增广，并将训练集和测试集中的图像减去均值，使图像进行归一化处理；所述特征提取单元(300)用于将所述数据预处理单元(200)预处理后的图像最优化每个节点权重系数及偏置；所述缺陷检测单元(400)用于根据所述特征提取单元(300)中的图像特征确定检测缺陷位置的中心点，并在该中心点位置回归出缺陷框的大小和偏移量，检测出缺陷的位置和种类；所述损失函数单元(500)用于对所述缺陷检测单元(400)中的缺陷位置的网络参数优化指定方向；所述数据采集单元(100)包括光信息传输模块(110)和图像获取模块(120)；所述光信息传输模块(110)用于实现外部光源的导入和孔壁内部图像的导出；所述图像获取模块(120)用于被摄取目标转换成图像信号；所述光信息传输模块(110)的图像展开宽度计算公式如下：s＝d*p*m其中，d为图像展开宽度，p为像素当量，m为相机帧率，s为轴进速度；所述特征提取单元(300)采用网络学习权值算法，计算公式如下：Y
i
＝α
i
X
1i
+β
i
X
2i
Y
i
为融合后第i通道的特征，X
1i
为融合前第一个特征图中第i通道的特征，X
2i
为融合前第二个特征图中第i通道的特征，α
i
和β
i
为不同通道的加权系数；所述缺陷检测单元(400)包括采集模块(410)、语义特征获取模块(420)和特征融合模块(430)；所述采集模块(410)用于扩大空间分辨率；所述语义特征获取模块(420)用于抽取特征并同时降低空间分辨...

【专利技术属性】
技术研发人员：印国平，
申请(专利权)人：无锡金元启信息技术科技有限公司，
类型：发明
国别省市：