一种基于浅层各项异性金字塔网络的表面划痕快速检测系统技术方案

本发明专利技术提供一种基于浅层各项异性金字塔网络的表面划痕快速检测系统，包括以下步骤：S1数据预处理；S2数据增强；S3模型搭建；S4模型训练；本发明专利技术的有益效果是：1本发明专利技术具有较低的网络参数量。2本发明专利技术在Dense连接中采用相加的方法方式进行特征的融合，相比传统Dense连接参数量小训练耗时少，本发明专利技术采用各项异性卷积操作取代传统的卷积操作，进一步的降低了网络的参数量。的参数量。的参数量。

A rapid surface scratch detection system based on shallow anisotropic pyramid network

【技术实现步骤摘要】
一种基于浅层各项异性金字塔网络的表面划痕快速检测系统


[0001]本专利技术涉及表面划痕检测领域，具体涉及一种基于浅层各项异性金字塔网络的表面划痕快速检测系统。

技术介绍

[0002]产品表面的划痕不仅影响影响产品的外观、对其性能也有重要的影响(例如润滑性能、密封性能、承重性能等)，因此表面的划痕的准确检测和识别是产品质检的重要组成部分。目前大多数企业的产品质检严重的依赖于人工，这种方法费事费力，检测结果易受人为因素的影响，此外人工质检的方法无法有效、及时地对相关划痕进行归纳整理，对产品的后续改进很难起到及时的指导作用，对整个生产线的调整和升级存在影响。因此工厂急需一种快速、准确和自动的边缘检测方法。
[0003]最近几年，基于深度学习的方法凭借其强大的特征表达能力已经取代了基于人工挑选特征的传统检测方法，成为多个领域的主流研究方法，例如目标识别、缺陷检测、人脸识别等。在表面缺陷检测方面，目前研究方法采用Dense、Res等结构、金字塔等模块、多模型、多阶段组合等策略来缓解网络在特征提取过程中的信息丢失、尺度不均衡等问题来提高检测的效果本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于浅层各项异性金字塔网络的表面划痕快速检测系统，包括以下步骤：S1数据预处理；S2数据增强；S3模型搭建；S4模型训练。2.如权利要求1所述的一种基于浅层各项异性金字塔网络的表面划痕快速检测系统，所述步骤S1包括：将采集原始图像和对应的标签分别缩小到256
×
256大小，然后采用以下公式进行归一化处理：其中μ、σ分别为原始图像数据的均值和方差，x表示原始图像数据。3.如权利要求1所述的一种基于浅层各项异性金字塔网络的表面划痕快速检测系统，所述步骤S2包括：在训练之前，采用Pix2Pix模型进行图像的生成，生成的数目是原始图像的3倍，然后采用第一策略对GAN网络增强后的图像进行进一步的增强，第一策略增强公式如下：x
*
＝λx
i
+(1
‑
λ)x
j
y
*
＝λy
i
+(1
‑
λ)y
j
其中x，y表示原始图像数据，λ表示标签和融合系数，通过调整λ和不同图像的组合来对图像进行增，生成的数目是原始图像的6倍，在训练过程中采用随机选择、随机裁剪、噪声处理方式对输入网络的数据进行进一步的增强处理。4.如权利要求1所述的一种基于浅层各项异性金字塔网络的表面划痕快速检测系统，所述步骤S3包括：利用pytorch深度学习库进行SPN网络的构建，SPN采用Encoder
‑
Decoder框架，Encoder模块采用卷积块的堆叠进行特征提取，利用步长为2的最大池化操作来降低特征的空间分辨率；Decoder模块利用三线性插值的方法将Encoder模块提取的富含语义信息的特征图谱逐渐恢复到原始图像大小，并对图像中的每一个像素进行分类。Encoder包含3个stage，通道数分别设定为64，128，256。DASAPM模块中的卷积的扩张系数d分别设置为1，3，5，7，12，网络在stage1和sta...

【专利技术属性】
技术研发人员：周吉祥，王翊，张勇，
申请(专利权)人：重庆守愚科技有限公司，
类型：发明
国别省市：