一种基于改进FasterR-CNN的注塑件缺陷检测方法技术

本发明专利技术公开了一种基于改进Faster R

【技术实现步骤摘要】
一种基于改进Faster R
‑
CNN的注塑件缺陷检测方法


[0001]本专利技术涉及注塑件缺陷检测
，更具体地，涉及一种基于改进Faster R
‑
CNN的注塑件缺陷检测方法。

技术介绍

[0002]传统工业产品表面缺陷检测方法一般采用基于图像处理算法和人工设计特征加分类器方法进行缺陷检测。一般包括结构法、统计法、滤波法、模型法等。其中结构法又包含边缘、骨架、形态学等；统计法包含直方图、局部二值化特征LBP、纹理特征、灰度共生矩阵GLCM等；滤波法包含空间滤波、频域滤波(傅里叶、gabor、小波)等；模型法包含随机场模型、反散射模型和分形体等。它们的本质都是通过人工设计特征加上分类器或规则来对产品表面进行缺陷检测。传统表面缺陷检测方法的优点是计算迅速、需要计算资源小、实时性强、效率高。
[0003]但传统的表面缺陷检测方法存在以下缺点：对成像环境要求相对苛刻，易被干扰，需要缺陷和非缺陷区域之间有着高对比度，少噪声等；适应性差，容易受到成像环境的影响，需要根据成像环境变化或缺陷类型变化更改阈值或重新设计算法；准确率不高，传统的图像处理方法难以准确识别复杂多变的产品表面缺陷。
[0004]基于深度学习的表面缺陷检测方法一般使用深度神经网络和大数据技术的方法，即基于卷积神经网络CNN等方法对产品表面进行缺陷检测。基于深度学习的方法的本质是基于大数据和神经网络的方法从大量的数据中自动学习特征，拟合数学模型，从而实现对产品表面的缺陷检测，优点是识别准确率高、适应性强，但存在如下缺点：计算速度慢，占用资源多，对运行的硬件环境要求高，需要高性能的运算单元，很难满足实时性要求；需要海量产品外观数据量支撑，数据不充分时神经网络会出现欠拟合等问题。
[0005]现有技术公开了一种基于深度学习的工业自动表面缺陷检测方法，该方法采集了工业产品的表面缺陷图像并进行处理以及缺陷标注得到了表面缺陷数据集，并根据该表面缺陷数据集对RetinaNet的锚点进行了优化，然后根据优化后的锚点建立了RetinaNet深度学习模型作为表面缺陷检测模型，再对该模型进行训练后，即可对工业产品的表面缺陷进行检测。该方法的缺陷是，针对注塑件中的气泡小目标缺陷的检查效果不是很好。
[0006]为此，结合以上需求和现有技术中计算速度慢、占用资源多以及针对注塑件中的气泡小目标缺陷的检查效果不是很好的缺陷，本申请提出了一种基于改进Faster R
‑
CNN的注塑件缺陷检测方法。

技术实现思路

[0007]本专利技术提供了一种基于改进Faster R
‑
CNN的注塑件缺陷检测方法，能够快速、准确地检测注塑件中气泡小目标的缺陷。
[0008]本专利技术的首要目的是为解决上述技术问题，本专利技术的技术方案如下：
[0009]本专利技术第一方面提供了一种基于改进Faster R
‑
CNN的注塑件缺陷检测方法，本方
法包括以下步骤：
[0010]S1、采集有缺陷的注塑件产品表面的图片作为样本，对样本数据进行扩充并打标签，构建样本数据集。
[0011]S2、分别从特征提取、特征融合、小目标检测能力三个维度改进Faster R
‑
CNN网络模型。
[0012]S3、采用K
‑
measn++算法对样本数据集进行聚类，利用样本数据集的聚类结果对改进后的Faster R
‑
CNN网络模型进行训练。
[0013]S4、使用训练后的Faster R
‑
CNN网络模型对注塑件进行缺陷检测。
[0014]进一步的，步骤S1中所述对样本数据进行扩充并打标签的过程，具体为：采用了数据增强的方法，对数据进行扩充；然后将扩充好后的注塑件图片打标签，用于Faster R
‑
CNN网络模型的训练。
[0015]其中，标签指的是一种矩形边界框Bounding Box，在标注数据的时候需要使用边界框将目标框柱，在训练过程中与锚框Anchor Box进行计算损失，通过梯度反传和不断迭代，从而学习正确的锚框。
[0016]进一步的，所述样本数据集划分为训练集、测试集、验证集。
[0017]其中，所述训练集、测试集、验证集的划分比例为8:1:1。
[0018]进一步的，所述分别从特征提取、特征融合、小目标检测能力三个维度改进Faster R
‑
CNN网络模型包括：使用残差网络ResNet50替换VGG16作为特征提取网络，采用多尺度特征融合进行特征融合，引入混合注意力机制CBAM，加强小目标的检测性能。
[0019]进一步的，所述改进Faster R
‑
CNN网络模型包括有：输入模块、特征提取网络模块、多尺度特征融合模块、混合注意力机制模块、输出模块；所述输入模块连接至特征提取模块的输入端，所述特征提取模块的第一、第二、第三和第四输出端分别连接至多尺度特征融合模块的第一、第二、第三和第四输入端，所述多尺度特征融合模块的第一、第二、第三和第四输出端分别连接至混合注意力机制模块的第一、第二、第三和第四输入端，所述混合注意力机制模块的第一、第二、第三和第四输出端连接至输出模块。
[0020]进一步的，所述残差网络ResNet50的结构包括有顺次连接的第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层和平均池化层；其中第一卷积层连接至特征提取模块的输入端并与输入模块相连接，第二卷积层连接至特征提取模块的第一输出端，第三卷积层连接至特征提取模块的第二输出端，第四卷积层连接至特征提取模块的第三输出端，第五卷积层连接至特征提取模块的第四输出端。
[0021]进一步的，所述第一卷积层的内部结构为顺次连接的[7*7,64](stride:2)、[3*3](stride:2)和最大池化层；所述第二卷积层的内部结构为三层网络结构；所述第三卷积层的内部结构为四层网络结构；所述第四层卷积层的内部结构
为六层网络结构；所述第五层卷积层的内部结构为三层网络结构。
[0022]其中，使用残差网络ResNet50替换原始的VGG16作为特征提取网络，通过使用该残差网络能够进一步的提升网络深度，解决了网络层不断深化引起的梯度消失或是梯度爆炸的问题，提取了更为深层次的特征。
[0023]进一步的，所述多尺度特征融合的结构包括有：四个一类卷积层和四个二类卷积层；其中多尺度特征融合模块的第一输入端依次连接第一个一类卷积层、第一节点、第一个二类卷积层和第一输出端，第二输入端依次连接第二个一类卷积层、第二节点、第二个二类卷积层和第二输出端，第三输入端依次连接第三个一类卷积层、第三节点、第三个二类卷积层和第三输出端，第四输入端依次连接第四个一类卷积层、第四个二类卷积层和第四输出端；其中第四个一类卷积层还经过上采样连接至第三节点，第三节点通过上采样连接至第二节点，第二节点通过上采样连接至第一节点。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进Faster R
‑
CNN的注塑件缺陷检测方法，其特征在于，包括以下步骤：S1、采集有缺陷的注塑件产品表面的图片作为样本，对样本数据进行扩充并打标签，构建样本数据集；S2、分别从特征提取、特征融合、小目标检测能力三个维度改进Faster R
‑
CNN网络模型；S3、采用K
‑
measn++算法对样本数据集进行聚类，利用样本数据集的聚类结果对改进后的Faster R
‑
CNN网络模型进行训练；S4、使用训练后的Faster R
‑
CNN网络模型对注塑件进行缺陷检测。2.根据权利要求1所述的一种基于改进Faster R
‑
CNN的注塑件缺陷检测方法，其特征在于，步骤S1中所述对样本数据进行扩充并打标签的过程，具体为：采用数据增强的方法，对数据进行扩充；然后将扩充好后的注塑件图片打标签，用于Faster R
‑
CNN网络模型的训练；所述样本数据集划分为训练集、测试集、验证集。3.根据权利要求1所述的一种基于改进Faster R
‑
CNN的注塑件缺陷检测方法，其特征在于，所述分别从特征提取、特征融合、小目标检测能力三个维度改进Faster R
‑
CNN网络模型包括：使用残差网络ResNet50替换VGG16作为特征提取网络，采用多尺度特征融合进行特征融合，引入混合注意力机制CBAM，加强小目标的检测性能。4.根据权利要求1所述的一种基于改进Faster R
‑
CNN的注塑件缺陷检测方法，其特征在于，所述改进Faster R
‑
CNN网络模型包括有：输入模块、特征提取网络模块、多尺度特征融合模块、混合注意力机制模块、输出模块；所述输入模块连接至特征提取模块的输入端，所述特征提取模块的第一、第二、第三和第四输出端分别连接至多尺度特征融合模块的第一、第二、第三和第四输入端，所述多尺度特征融合模块的第一、第二、第三和第四输出端分别连接至混合注意力机制模块的第一、第二、第三和第四输入端，所述混合注意力机制模块的第一、第二、第三和第四输出端连接至输出模块。5.根据权利要求4所述的一种基于改进Faster R
‑
CNN的注塑件缺陷检测方法，其特征在于，所述残差网络ResNet50的结构包括有顺次连接的第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层和平均池化层；其中第一卷积层连接至特征提取模块的输入端并与输入模块相连接，第二卷积层连接至特征提取模块的第一输出端，第三卷积层连接至特征提取模块的第二输出端，第四卷积层连接至特征提取模块的第三输出端，第五卷积层连接至特征提取模块的第四输出端；所述第一卷积层的内部结构为顺次连接的[7*7,64](stride:2)、[3*3](stride:2)和最大池化层；所述第二卷积层的内部结构为三层网络结构；所述第三卷积层的内部结构为四层网络结构；所述第四层卷积层的内部结构为六层
网络结构；所述第五层卷积层的内部结构为三层网络结构。6.根据权利要求4所述的一种基于改进Faster R
‑
CNN的注塑件缺陷检测方法，其特征在于，所述多尺度特征融合的结构包括有：四个一类卷积层和四个二类卷积层；其中多尺度特征融合模块的第一输入端依次连接第一个一类卷积层、第一节点、第一个二类卷积层和第一输出端，第二输入端依次连接第二个一类卷积层、第...

【专利技术属性】
技术研发人员：吴宗泽，万榴，钟小品，刘维湘，易健业，
申请(专利权)人：深圳大学，
类型：发明
国别省市：