一种基于深度学习的碳丝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碳丝表面缺陷检测方法，包括卷积层对原始图像进行碳丝特征提取，过滤背景信息，生成多个特征图；将多个特征图送入编码器模块进行编码；将特征图编码之后，采用主干网络对碳丝缺陷高低层特征进行提取融合，生成多尺度特征图；将主干网络生成的多尺度特征图送入解码器模块进行解码；将解码器解码后产生的特征图与初步卷积后的结果特征图融合，用于碳丝缺陷的分类和回归预测；输出分类预测和回归预测的结果。本发明专利技术降低了人为主观性的干扰，这对于提升大型碳丝束生产速度，保证碳丝制品质量，减轻劳动人员工作强度有很大贡献。作强度有很大贡献。作强度有很大贡献。

【技术实现步骤摘要】
一种基于深度学习的碳丝表面缺陷检测方法


[0001]本专利技术属于碳丝表面缺陷检测
，具体涉及一种基于深度学习的碳丝表面缺陷检测方法。

技术介绍

[0002]重点新材料研发及应用包括重点研制碳纤维及其复合材料、突破制备、评价、应用等核心关键技术。在当今世界工业化高速发展的大背景下，碳纤维的用途正趋于多样化，在航空航天、重点新材料研发及应用、基础设施建设、大型建筑物等领域需求剧增，是航空发动机叶片、运载火箭、风电叶片、混凝土补强材料的重要组成成分。
[0003]在碳丝制备过程中，因为生产过程不当造成的碳丝毛丝、并丝、接头缺陷不仅影响碳丝强度、外观，而且大幅降低碳丝制品的抗拉性、耐磨性和生产稳定性。通常采用人工的方法进行碳丝表面缺陷检测，该方法工作量大、效率低下，且检测质量不稳定。深度学习通过机器模仿人类视听、思考、回应等活动，解决了很多复杂的模式识别难题，在数据挖掘、机器学习、自然语言处理、类脑计算、语音识别等相关领域都取得了很多优异成果，因此深度学习同样可以实现碳丝缺陷高精准检测。

技术实现思路

[0004]本专利技术所要解决的技术问题是针对上述现有技术的不足，提供一种基于深度学习的碳丝表面缺陷检测方法，采集碳丝束表面影像数据采集，并根据采集到的图像实现高效、准确、智能的碳丝缺陷识别与定位，对降低劳动人员工作强度、提升工业生产的智能化和自动化程度有很大贡献。
[0005]为实现上述技术目的，本专利技术采取的技术方案为：
[0006]一种基于深度学习的碳丝表面缺陷检测方法，包括：
[0007]步骤1：卷积层对原始图像进行碳丝特征提取，过滤背景信息，生成多个特征图；
[0008]步骤2：将多个特征图送入编码器模块进行编码；
[0009]步骤3：将特征图编码之后，采用主干网络对碳丝缺陷高低层特征进行提取融合，生成多尺度特征图；
[0010]步骤4：将主干网络生成的多尺度特征图送入解码器模块进行解码；
[0011]步骤5：将解码器解码后产生的特征图与初步卷积后的结果特征图融合，用于碳丝缺陷的分类和回归预测；
[0012]步骤6：输出分类预测和回归预测的结果。
[0013]为优化上述技术方案，采取的具体措施还包括：
[0014]上述的步骤1采用多头结构来分别处理特征提取任务，从输入的碳丝原始图像中提取缺陷特征，得到特征图；
[0015]每个头由三个卷积层组成，缺陷特征f
H
提取过程表示为：
[0016]f
H
＝H
i
(x)
[0017]其中，x为输入的原始碳丝图像，H
i
表示第i个的头部结构。
[0018]上述的步骤2包括：
[0019]步骤(2.1)将特征图分割成块f
pi
，一共分割成n个块，为每个块增加可学习的位置编码E
pi
，其中，位置编码E
pi
根据分割块的位置决定，将E
pi
+f
pi
输入编码器中，得到：
[0020]y0＝[E
p1
+f
p1
,E
p2
+f
p2
,...,E
pn
+f
pn
][0021]y0是E
pi
和f
pi
的相加和初始向量；
[0022]步骤(2.2)：将初始向量送入MSA自注意力模块进行处理，得到y
′
i
：
[0023]y
′
i
＝MSA(q
i
,k
i
,v
i
)+y
i
‑1[0024]q
i
＝k
i
＝v
i
＝LN(y
i
‑1)
[0025]其中LN表示归一化操作，q
i
、k
i
、v
i
记住上一层的归一化结果后，送入MSA，经MSA 处理后的结果加上上一层的编码结果y
i
‑1得到y
′
i
；
[0026]步骤(2.3)：y
′
i
经归一化操作后再送入FFN，经过FFN操作后的结果加上经MSA处理后的结果y
′
i
，得到编码结果y
i
，编码过程需反复进行多次，直至编码过程完成：
[0027]y
i
＝FFN(LN(y
′
i
))+y
′
i
[0028][f
E1
,f
E2
,...,f
En
]＝y
l
[0029]其中，FFN表示前馈神经网络；
[0030][f
E1
,f
E2
,...,f
En
]表示编码后的特征；
[0031]l表示编码器的层数。
[0032]上述的步骤3采用基于ResNet架构的特征金字塔网络FPN作为主干网络。
[0033]上述的步骤4所述解码器由两个多头自注意模块MSA和一个前馈神经网络FFN组成。上述的步骤4通过解码器来学习不同任务的解码特征，具体过程如下：
[0034]步骤(4.1)：进行第一次自注意力模块处理，得到z
′
i
；
[0035]z0＝[f
E1
,f
E2
,...,f
En
][0036]q
i
＝k
i
＝v
i
＝LN(z
i
‑1)
[0037]z
′
i
＝MSA(q
i
,k
i
,v
i
)+z
i
‑1[0038]其中，z0表示解码器的输入，解码器的输入为编码器编码结果经主干网络传递后生成的特征图输出；
[0039]其中，LN表示归一化操作，q
i
、k
i
、v
i
表示上一层的归一化结果；
[0040]MSA表示多头自注意模块，经多头自注意力模块MSA处理后加上上层解码器的输入 z
i
‑1得到z
′
i
；
[0041]步骤(4.2)：进行第二次自注意力模块处理，最终得到z
″
i
：
[0042]z
″
i
＝MSA(q
′
i
,k
′
i
,v
′
i
)+z
′
i
[0043]q
′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碳丝表面缺陷检测方法，其特征在于，包括：步骤1：卷积层对原始图像进行碳丝特征提取，过滤背景信息，生成多个特征图；步骤2：将多个特征图送入编码器模块进行编码；步骤3：将特征图编码之后，采用主干网络对碳丝缺陷高低层特征进行提取融合，生成多尺度特征图；步骤4：将主干网络生成的多尺度特征图送入解码器模块进行解码；步骤5：将解码器解码后产生的特征图与初步卷积后的结果特征图融合，用于碳丝缺陷的分类和回归预测；步骤6：输出分类预测和回归预测的结果。2.根据权利要求1所述的一种基于深度学习的碳丝表面缺陷检测方法，其特征在于，所述步骤1采用多头结构来分别处理特征提取任务，从输入的碳丝原始图像中提取缺陷特征，得到特征图；每个头由三个卷积层组成，缺陷特征f
H
提取过程表示为：f
H
＝H
i
(x)其中，x为输入的原始碳丝图像，H
i
表示第i个的头部结构。3.根据权利要求1所述的一种基于深度学习的碳丝表面缺陷检测方法，其特征在于，所述步骤2包括：步骤(2.1)将特征图分割成块f
pi
，一共分割成n个块，为每个块增加可学习的位置编码E
pi
，其中，位置编码E
pi
根据分割块的位置决定，将E
pi
+f
pi
输入编码器中，得到：y0＝[E
p1
+f
p1
,E
p2
+f
p2
,...,E
pn
+f
pn
]y0是E
pi
和f
pi
的相加和初始向量；步骤(2.2)：将初始向量送入MSA自注意力模块进行处理，得到y
′
i
：y
′
i
＝MSA(q
i
,k
i
,v
i
)+y
i
‑1q
i
＝k
i
＝v
i
＝LN(y
i
‑1)其中LN表示归一化操作，q
i
、k
i
、v
i
记住上一层的归一化结果后，送入MSA，经MSA处理后的结果加上上一层的编码结果y
i
‑1得到y
′
i
；步骤(2.3)：y
′
i
经归一化操作后再送入FFN，经过FFN操作后的结果加上经MSA处理后的结果y
′
i
，得到编码结果y
i
，编码过程需反复进行多次，直至编码过程完成：y
i
＝FFN(LN(y
′
i
))+y
′
i
[f
E1
,f
E2
,...,f
En
]＝y
l
其中，FFN表示前馈神经网络；[f
E1
,f
E2
,...,f
En
]表示编码后的特征；l表示编码器的层数。4.根据权利要求1所述的一种基于深度学习的碳丝表面缺陷检测方法，其特征在于，所述步骤3采用基于ResNet架构的特征金字塔网络FPN作为主干网络。5.根据权利要求1所述的一种基于深度学习的碳丝表面缺陷检测方法，其特征在于，步骤4所述解码器由两个多头自注意模块MSA和一个前馈神经网络FFN组成。6.根据权利要求5所述的一种基于深度学习的碳丝表面缺陷检测方法，其特征在于，...

【专利技术属性】
技术研发人员：贾佳，
申请(专利权)人：南京耘瞳科技有限公司，
类型：发明
国别省市：