【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, ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。