一种基于深度学习的模切产品表面缺陷检测方法技术

本发明专利技术公开了一种基于深度学习的模切产品表面缺陷检测方法，获取模切产品表面图像；将模切产品表面图像输入表面特征提取网络模型获得模切产品表面特征；输入模切产品表面特征至表面缺陷检测网络模型进行表面缺陷检测并输出表面缺陷检测结果。本发明专利技术将深度学习相关技术应用于模切产品表面缺陷检测之中，对通用目标检测算法进行分析与改进，提出了一种面向模切产品表面缺陷检测的改进表面缺陷检测网络模型和表面特征提取网络模型，并根据模切产品表面图像对模切产品进行表面缺陷检测后，输出表面缺陷检测结果，使用机器视觉代替人工大大提高表面缺陷检测的精度及速度，帮助检测人员更加快捷高效的完成模切产品的表面缺陷检测。检测。检测。

【技术实现步骤摘要】
一种基于深度学习的模切产品表面缺陷检测方法


[0001]本专利技术涉及机器视觉领域，尤其涉及一种基于深度学习的模切产品表面缺陷检测方法。

技术介绍

[0002]制造业是我国国民经济的支柱之一，一个国家的繁荣必须有强大的制造业来支撑。建设具有国际竞争力的制造业，对于增强我国综合国力有着十分重要的推动作用。随着我国制造业的迅速发展，全球制造业的中心已经逐步向中国转移。在制造业生产能力、制造能力不断提升的同时，对所生产的产品质量也提出了越来越高的要求。
[0003]模切机，又称为圆刀机，是工业制造中常见的生产机器，它通过生产线上不同的刀具配合旋转进行模切加工，并通过压印板施加一定的压力，将印品或原料轧切成一定形状。模切产品被广泛应用于手机、手表、电脑和电视机等常见电子电器设备中，模切产品的质量决定着后续生产的电子电器设备的好坏。对模切机来说，张力的控制和送料的平整度非常重要，由于模切机一直处在高速运行状态，张力不断变化可能导致设备过载或者用料平整度变差，致使所生产的模切产品产生各种缺陷。如果模切产品存在异物、褶皱、划痕等各种缺陷就会极大程度影响电子产品的性能与质量，从而给使用者带来无法估量的损失，所以对模切产品进行高效、准确的缺陷检测是模切生产过程中必不可少的一个环节。
[0004]目前模切行业对于模切产品的检测普遍采用人工目视全检的方法，人工目视检测主要依靠测量仪器和工人经验，通过肉眼对模切产品表面缺陷进行判别，此方法存在以下不足之处：人眼的空间分辨率有限，难免有漏检和误检的情况发生；操作工人的精力有限，长期的单一劳动，容易用眼疲劳，从而导致检测效率不断下降，无法支持海量生产的需求；人工目检会占用较多的人力资源，从长远看来，人工成本相对较高，这无疑增加了企业的生产成本压缩了利润；对缺陷样本没有建立数据存档，无法对检测过程进行回溯分析与改进。
[0005]近年来，随着计算机硬件性能不断提升，人工智能的异军突起，基于深度学习的表面缺陷检测方法越来越多的应用到实际工业生产检测领域中。具有较强自主学习能力的深度学习网络模型，能够从输入样本中进行特征提取，相比传统的机器视觉方法，减小了人工特征提取时产生的误差。虽然深度学习相关技术已经广泛应用于钢材、瓷砖、布匹等质量检测领域，但却还未被应用于模切行业的工件表面缺陷检测领域。

技术实现思路

[0006]为了解决上述现有技术中存在的不足，本专利技术对基于深度学习的模切产品表面缺陷检测方法进行研究，为模切行业中的智能缺陷检测问题提供了一种新的解决方案。
[0007]本专利技术解决上述技术问题所采用的技术方案为：一种基于深度学习的模切产品表面缺陷检测方法，其特征在于，包括以下步骤：获取模切产品表面图像；将模切产品表面图像输入表面特征提取网络模型获得模切产品表面特征；输入模切产品表面特征至表面缺陷检测网络模型进行表面缺陷检测并输出表面缺陷检测结果。
[0008]进一步的，将模切产品表面图像输入表面特征提取网络模型获得模切产品表面特征具体包括：将模切产品表面图像输入至表面特征提取网络模型获取至少一个尺度的特征图，所述特征图为至少一个特征的集合，所述表面特征提取网络模型包括残差网络模型和改进特征金字塔网络模型。
[0009]进一步的，改进特征金字塔网络模型包括旁路路径。表面特征提取网络模型还包括可变形卷积网络模型，其中，可变形卷积网络模型为原有的卷积网络模型中增加一条卷积支路，卷积支路用于输出偏移量，偏移量和待处理特征图共同输入至可变形卷积网络模型得到所述特征图。
[0010]进一步的，输入模切产品表面特征至表面缺陷检测网络模型进行表面缺陷检测并输出表面缺陷检测结果具体包括：根据特征图获取对应的候选区域；将模切产品表面图像与特征图进行映射得到映射关系，并将映射关系赋予特征图对应的候选区域得到该候选区域对应的特征矩阵；将每个候选区域对应的特征矩阵处理为尺寸大小相同的特征矩阵；将尺寸大小相同的特征矩阵展平处理为一维的特征向量；根据特征向量进行表面缺陷检测并输出表面缺陷检测结果。
[0011]进一步的，表面缺陷检测网络模型包括区域候选网络模型、感兴趣区域池化网络模型和全接连层。其中区域候选网络模型用于根据特征图获取对应的候选区域，感兴趣区域池化网络模型用于将每个候选区域对应的特征矩阵处理为尺寸大小相同的特征矩阵，全接连层用于根据特征向量进行表面缺陷检测并输出表面缺陷检测结果，全接连层包括类别检测层和边界框回归检测层。
[0012]进一步的，区域候选网络模型包括anchor生成器，anchor生成器基于K
‑
means聚类算法设置合理的anchor宽高比。
[0013]进一步的，感兴趣区域池化网络模型用于将每个候选区域对应的特征矩阵处理为尺寸大小相同的特征矩阵具体包括：感兴趣区域池化网络模型使用ROI Align，使用双线性插值方法每个候选区域对应的特征矩阵处理为尺寸大小相同的特征矩阵。
[0014]进一步的，使用图像采集设备获取模切产品表面图像，图像采集设备包括相机和光源。
[0015]进一步的，使用表面缺陷检测软件运行基于深度学习的模切产品表面缺陷检测方法，表面缺陷检测软件包括检测显示模块、功能设置模块和信息记录模块；检测显示模块用于显示模切产品表面图像和表面缺陷检测结果，表面缺陷检测结果包括表面缺陷所在位置与表面缺陷类别；功能设置模块用于确定检测源、设置检测置信度的阈值、调节检测光源以及控制检测系统开启与停止；信息记录模块用于是记录模切产品表面的缺陷检测信息，缺陷检测信息包括包括检测时间、检测过程和检测结果等至少一个信息，信息记录模块还用于将缺陷检测信息写入文件并保存在本地。
[0016]进一步的，使用数据集训练表面特征提取网络模型和表面缺陷检测网络模型；数据集包括模切产品表面样本图像和模切产品表面增广图像，模切产品表面增广图像为对模切产品表面样本图像进行增广处理得到的图像，模切产品表面样本图像包括信息记录模块记录的表面缺陷检测过程中使用到的模切产品表面图像。
[0017]进一步的，使用数据集训练表面特征提取网络模型和表面缺陷检测网络模型之前还包括：对模切产品表面样本图像和模切产品表面增广图像进行人工标记，所述人工标记
包括确定缺陷所在位置以及对缺陷进行类别标记。
[0018]与现有技术相比，本专利技术的优点在于：
[0019]1、使用机器视觉代替人工肉眼大大提高表面缺陷检测的精度及速度；
[0020]2、所设计的表面缺陷检测模型网络部署在软件系统中，通过将硬件设备采集到的模切产品表面图像送入软件系统完成检测，可视化检测过程与结果，帮助检测人员更加快捷高效的完成模切产品的表面缺陷检测；
[0021]3、自动提取模切产品表面缺陷特征，训练过程简单，且针对模切产品的尺寸特点进行调整检测，更有可行性；
[0022]4、对检测的模切产品形状和材质没有特定要求，实用性强。
附图说明
[0023]图1为本专利技术的原理框图；
[0024]图2为本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的模切产品表面缺陷检测方法，其特征在于，包括以下步骤：获取模切产品表面图像；将所述模切产品表面图像输入表面特征提取网络模型获得模切产品表面特征；输入所述模切产品表面特征至表面缺陷检测网络模型进行表面缺陷检测并输出表面缺陷检测结果。2.根据权利要求1所述的一种基于深度学习的模切产品表面缺陷检测方法，其特征在于，将模切产品表面图像输入表面特征提取网络模型获得模切产品表面特征具体包括：将所述模切产品表面图像输入至所述表面特征提取网络模型获取至少一个尺度的特征图，所述特征图为至少一个特征的集合，所述表面特征提取网络模型包括残差网络模型和改进特征金字塔网络模型。3.根据权利要求2所述的一种基于深度学习的模切产品表面缺陷检测方法，其特征在于：所述改进特征金字塔网络模型包括旁路路径；所述表面特征提取网络模型还包括可变形卷积网络模型，其中，所述可变形卷积网络模型为原有的卷积网络模型中增加一条卷积支路，所述卷积支路用于输出偏移量，所述偏移量和待处理特征图共同输入至所述可变形卷积网络模型得到所述特征图。4.根据权利要求2所述的一种基于深度学习的模切产品表面缺陷检测方法，其特征在于，输入模切产品表面特征至表面缺陷检测网络模型进行表面缺陷检测并输出表面缺陷检测结果具体包括：根据所述特征图获取对应的候选区域；将所述模切产品表面图像与所述特征图进行映射得到映射关系，并将所述映射关系赋予所述特征图对应的候选区域得到所诉候选区域对应的特征矩阵；将每个候选区域对应的特征矩阵处理为尺寸大小相同的特征矩阵；将所述尺寸大小相同的特征矩阵展平处理为一维的特征向量；根据所述特征向量进行表面缺陷检测并输出表面缺陷检测结果。5.根据权利要求4所述的一种基于深度学习的模切产品表面缺陷检测方法，其特征在于：所述表面缺陷检测网络模型包括区域候选网络模型、感兴趣区域池化网络模型和全接连层；其中所述区域候选网络模型用于根据所述特征图获取对应的候选区域，所述感兴趣区域池化网络模型用于将每个候选区域对应的特征矩阵处理为尺寸大小相同的特征矩阵，所述全接连层用于根据所述特征向量进行表面缺陷检测并输出表面缺陷检测结果，所述全接连层包括类别检测层和边界框回归检测层。6.根据权利要求5所述的一种基于深度学习的模...

【专利技术属性】
技术研发人员：孙梦霞，白秋晴，
申请(专利权)人：河海大学，
类型：发明
国别省市：