一种器件表面裂纹检测方法、系统及电子设备技术方案

本发明专利技术公开一种器件表面裂纹检测方法、系统及电子设备，涉及计算机视觉技术领域。本发明专利技术提供的器件表面裂纹检测方法，通过采用数据集训练改进后的SSD模型得到的网络模型对器件图像进行裂纹检测，能够解决现有技术中采用SSD模型进行裂纹检测提取特征不充分、小目标检测率低的问题，并且，本发明专利技术通过对图像进行形态学处理，能够增强裂纹的特征，进而实现大幅提高器件表面裂纹检测精确度的目的。幅提高器件表面裂纹检测精确度的目的。幅提高器件表面裂纹检测精确度的目的。

【技术实现步骤摘要】
一种器件表面裂纹检测方法、系统及电子设备


[0001]本专利技术涉及计算机视觉
，特别是涉及一种器件表面裂纹检测方法、系统及电子设备。

技术介绍

[0002]裂纹作为一个安全隐患遍布在日常生活之中，器件裂纹是日常生活中一种比较常见的裂纹，器件裂纹以表面裂纹为主，这种裂纹易发生并容易导致器件损坏。对器件表面上的裂纹进行精准检测规避器件损坏的风险是一件重要的事情。
[0003]传统物理手段检测裂纹需要人工的参与，依赖检测人员的经验，主观性较强，且受到人的注意力集中的限制，通常效率较低、出错率高。传统的形态学图像处理方法通常通过人工设置阈值、边缘等特征获取图像信息，其检测方式是通过手动提取图像浅层或中层形态特征，判断图像是否存在裂纹。这种方法可以高精度地检测出具有良好连续性和对比度的裂纹，但是在实际应用中图片较暗，大裂纹的边缘与图片背景相似，裂纹细小或融于背景导致肉眼难以察觉等情况使这种基于特征假设的方法在复杂环境下不具备鲁棒性。随着机器学习研究的深入，复杂条件下基于图像的裂纹检测成为现实。如通过对图像进行预处理，去除图像阴影部分，再使用支持向量机(Support Vector Machine，SVM)方法识别裂纹；再如将图像处理分为潜在目标检测、疑似目标分类识别和SAR图像预处理三个项目，筛选目标，简化数据处理量，提高系统目标的识别率。但这些方法很大程度上依赖于提取的特征，因此仅在特定环境下有较好的性能表现。然而，由于裂纹所处环境比较复杂，很难找到适用于各种环境下的有效特征。
[0004]近年来，图像处理领域中提取图片深层语义特征的技术随着深度学习的发展，提高了提取精度，增强了抗干扰能力，也提升了复杂环境下基于图像裂纹检测的准确性和效率，因此成为当前大多数图像裂纹检测中的主流方法，如影像分割式裂纹图像检测、语义分割式裂纹图像检测等，但上述方法存在如下缺陷：1、影像分割式裂纹图像检测需要准备有近似背景的含目标数据集以及不含目标的数据集，利用ResNet 50的影像分类模型加上ImageNet预训练参数进行训练，这种做法具有如下局限性：(1)当裂纹位置处于二个影像区块交界处，或只有很小部份在影像区块中，则不易正确分类；(2)图像为避免分割区块尺寸不完整的问题，此时须要做适当处理(如补缺、舍弃、转变角度等等)以达到相同尺寸，以免造成辨识错误率提高。2、语义分割式裂纹图像检测具有以下局限性：(1)资料集标注成本(时间、复杂度、领域知识等)很高；(2)模型训练时间极长，推论计算量极大。
[0005]基于此，一般采用SSD(Single ShotMultiBox Detector)目标检测算法解决上述现有技术存在的问题。SSD目标检测算法虽然具有速度与精度兼顾的优点，运行速度可以和YOLO媲美，检测精度可以和FasterRCNN媲美，但是SSD由于使用低级特征去检测小目标，存在特征提取不充分，小物体检测率低的问题。

技术实现思路

[0006]本专利技术的目的是提供一种器件表面裂纹检测方法、系统及电子设备，能够有效解决现有技术存在的特征提取不充分，小物体检测率低的问题，进而提高器件表面裂纹检测的精确度。
[0007]为实现上述目的，本专利技术提供了如下方案：
[0008]一种器件表面裂纹检测方法，包括：
[0009]获取待检测器件的图像，并对所述待检测器件的图像进行形态学处理得到处理图像；
[0010]获取裂纹检测模型；所述裂纹检测模型为采用数据集训练改进后的SSD模型得到的网络模型；
[0011]将所述处理图像输入至所述裂纹检测模型得到裂纹检测结果。
[0012]优选地，改进后的SSD模型的构建过程包括：
[0013]以VGG
‑
16为基础网络搭建SSD模型；
[0014]构建ACmix模块；
[0015]采用所述ACmix模块替换所述SSD模型中的Conv5层得到改进后的所述SSD模型。
[0016]优选地，以VGG
‑
16网络为基础网络搭建SSD模型，具体包括：
[0017]将所述基础网络中的FC6层和FC7层均转化为卷积层，去掉所述基础网络中所有Dropout层和FC8层，将Pool5层从2x2
‑
S2变换到3x3
‑
S1；抽取Conv4_3层的feature map、Conv7层的feature map、Conv8_2层的feature map、Conv9_2层的feature map、Conv10_2层的feature map以及Conv11_2层中的feature map，在抽取得到的所有feature map层上面的每一个点均构造6个不同尺度大小的边界框。
[0018]优选地，构建的所述ACmix模块包括：多个1
×
1卷积、卷积功能单元、自注意力功能单元和输出单元；
[0019]所述1
×
1卷积分别与所述卷积功能单元和所述自注意力功能单元连接；所述卷积功能单元和所述自注意力功能单元均与所述输出单元连接；
[0020]多个所述1
×
1卷积用于基于输入特征得到中间特征；
[0021]所述卷积功能单元用于对所述中间特征进行全连接得到全连接特征，并对所述全连接特征进行位移处理以及求和处理；
[0022]所述自注意力功能单元用于将所述中间特征分别作为查询矩阵、键矩阵和值矩阵，并基于所述查询矩阵和所述键矩阵确定注意力权重，基于注意力权重和所述值矩阵实现值矩阵的聚合；
[0023]所述输出单元用于对所述卷积功能单元的输出和所述自注意力功能单元的输出进行求和操作后输出求和特征。
[0024]优选地，获取裂纹检测模型之前，还包括：
[0025]构建数据集，并将所述数据集拆分为训练集和验证集；
[0026]采用所述训练集对所述改进后的SSD模型进行训练得到训练后的网络模型；
[0027]采用验证集验证所述训练后的网络模型是否满足预设要求，当所述训练后的网络模型满足预设要求后得到训练好的网络模型；
[0028]当所述训练后的网络模型不满足预设要求后，调整所述所述改进后的SSD模型的
参数，并返回“采用所述训练集对所述改进后的所述SSD模型进行训练得到训练后的网络模型”。
[0029]优选地，对所述待检测器件的图像进行形态学腐蚀操作得到所述处理图像。
[0030]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0031]本专利技术提供的器件表面裂纹检测方法，通过采用数据集训练改进后的SSD模型得到的网络模型对器件图像进行裂纹检测，能够解决现有技术中采用SSD模型进行裂纹检测提取特征不充分、小目标检测率低的问题，并且，本专利技术通过对图像进行形态学处理，能够增强裂纹的特征，进而实现大幅提高器件表面裂纹检测精确度的目的。
[0032]此外，对应于上述提供的器件表面裂纹检测方法，本专利技术还提供了以下硬件结构：<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种器件表面裂纹检测方法，其特征在于，包括：获取待检测器件的图像，并对所述待检测器件的图像进行形态学处理得到处理图像；获取裂纹检测模型；所述裂纹检测模型为采用数据集训练改进后的SSD模型得到的网络模型；将所述处理图像输入至所述裂纹检测模型得到裂纹检测结果。2.根据权利要求1所述的器件表面裂纹检测方法，其特征在于，改进后的SSD模型的构建过程包括：以VGG
‑
16为基础网络搭建SSD模型；构建ACmix模块；采用所述ACmix模块替换所述SSD模型中的Conv5层得到改进后的所述SSD模型。3.根据权利要求2所述的器件表面裂纹检测方法，其特征在于，以VGG
‑
16网络为基础网络搭建SSD模型，具体包括：将所述基础网络中的FC6层和FC7层均转化为卷积层，去掉所述基础网络中所有Dropout层和FC8层，将Pool5层从2x2
‑
S2变换到3x3
‑
S1；抽取Conv4_3层的feature map、Conv7层的feature map、Conv8_2层的feature map、Conv9_2层的feature map、Conv10_2层的feature map以及Conv11_2层中的feature map，在抽取得到的所有feature map层上面的每一个点均构造6个不同尺度大小的边界框。4.根据权利要求2所述的器件表面裂纹检测方法，其特征在于，构建的所述ACmix模块包括：多个1
×
1卷积、卷积功能单元、自注意力功能单元和输出单元；所述1
×
1卷积分别与所述卷积功能单元和所述自注意力功能单元连接；所述卷积功能单元和所述自注意力功能单元均与所述输出单元连接；多个所述1
×
1卷积用于基于输入特征得到中间特征；所述卷积功能单元用于对所...

【专利技术属性】
技术研发人员：胡绍林，任兴华，侯彦东，秦春斌，麦子颖，柯烨，
申请(专利权)人：广东石油化工学院，
类型：发明
国别省市：