卫浴陶瓷表面缺陷检测方法与系统技术方案

本发明专利技术公开了一种卫浴陶瓷表面缺陷检测方法，包括：步骤1，采集卫浴陶瓷表面缺陷图像，并对所述表面缺陷图像中的缺陷类型和缺陷位置进行标注，获得卫浴陶瓷表面缺陷的训练数据集；步骤2，以SSD网络模型为基准构建缺陷检测模型；步骤3，利用所述卫浴陶表面瓷缺陷的训练数据集对所述缺陷检测模型进行训练；步骤4，将待检测的卫浴陶瓷表面缺陷图像输入至步骤3训练得到的所述缺陷检测模型中，输出所述待检测的卫浴陶瓷表面缺陷图像的缺陷类别和缺陷位置。置。置。

【技术实现步骤摘要】
卫浴陶瓷表面缺陷检测方法与系统


[0001]本专利技术涉缺陷检测
，特别涉及一种卫浴陶瓷表面缺陷检测方法与系统。

技术介绍

[0002]卫浴陶瓷是日常生活中的必需品，每家每户都要用到，卫浴陶瓷的质量直接影响到用户的日常体验，因此把握好卫浴陶瓷产品出厂质量非常重要。现阶段，卫浴陶瓷表面缺陷检测主要是依赖人工完成，需要质检工人肉眼观察，鉴别工件表面存在的缺陷，效率低下而且严重依赖工人的经验，并且质检结果极其容易受到工人个人状态的影响。
[0003]随着深度学习技术的大力发展，越来越多的行业开始采用基于深度学习的图像处理技术来进行缺陷检测。现如今，很多公司和机构开始将深度学习技术应用于卫浴陶瓷表面缺陷检测，都取得了不错的成果。
[0004]目前，现有的一阶段深度学习目标检测模型具有检测精度高、速度快的特点，通用性很好，对于节拍敏感型生产工作较为适用。卫浴陶瓷的生产节拍快，表面缺陷类别多，特征复杂。鉴于此，本专利技术人经过大量实验探索研究后提供了一种卫浴陶瓷表面缺陷检测方法，用以解决上述问题。

技术实现思路

[0005]针对现有技术的不足，本专利技术的目的在于提出一种卫浴陶瓷表面缺陷检测方法与系统，能够显著提高检测效率和检测精度。
[0006]为了实现上述目的，本专利技术提出一种卫浴陶瓷表面缺陷检测方法，包括：
[0007]步骤1，采集卫浴陶瓷表面缺陷图像，并对所述表面缺陷图像中的缺陷类型和缺陷位置进行标注，获得卫浴陶瓷表面缺陷的训练数据集；
[0008]步骤2，以SSD网络模型为基准构建缺陷检测模型；
[0009]步骤3，利用所述卫浴陶表面瓷缺陷的训练数据集对所述缺陷检测模型进行训练；
[0010]步骤4，将待检测的卫浴陶瓷表面缺陷图像输入至步骤3训练得到的所述缺陷检测模型中，输出所述待检测的卫浴陶瓷表面缺陷图像的缺陷类别和缺陷位置。
[0011]上述的卫浴陶瓷表面缺陷检测方法，其中，所述缺陷类别包含以下至少一种：裂纹、缺釉、锈斑、绿斑和条状缩釉缺。
[0012]上述的卫浴陶瓷表面缺陷检测方法，其中，所述以SSD网络模型为基准构建的所述缺陷检测模型中的骨干网络替换为包含跳连结构的ResNet
‑
50网络。
[0013]上述的卫浴陶瓷表面缺陷检测方法，其中，所述ResNet
‑
50网络结尾的平均池化层和全连接层改为卷积层，并移除Dropout层，及增加若干个残差卷积模块。
[0014]上述的卫浴陶瓷表面缺陷检测方法，其中，采用Mish函数作为所述缺陷检测模型的激活函数。
[0015]上述的卫浴陶瓷表面缺陷检测方法，其中，所述步骤3包括：
[0016]将输入所述缺陷检测模型的图像的尺寸缩放为300
×
300；
[0017]从所述缺陷检测模型中选取38
×
38、19
×
19、10
×
10、5
×
5、3
×
3和1
×
1尺寸的特征图负责结果的预测任务。
[0018]上述的卫浴陶瓷表面缺陷检测方法，其中，所述步骤3还包括：
[0019]所述缺陷检测模型为每个尺寸的所述特征图的每个特征点设置不同数量的先验框，所述特征图的每个特征点对应先验框的数量分别为4、6、6、6、4、4；
[0020]所述特征图的先验框尺度s
k
分别为30、60、111、162、213、264，对于一般的长宽比选用或者对于特定的长宽比按如下公式计算先验框的宽度和高度：
[0021][0022]其中，对于38
×
38、3
×
3和1
×
1尺寸的所述特征图不使用长宽比为3和的先验框。
[0023]上述的卫浴陶瓷表面缺陷检测方法，其中，对于用于训练的所述卫浴陶瓷表面缺陷图像，单个真实目标的边界框可以对应于多个所述先验框，每个所述先验框对应于一个所述真实目标的边界框。
[0024]上述的卫浴陶瓷表面缺陷检测方法，其中，所述缺陷检测模型的损失函数为位置损失和置信度损失的加权和，如下公式：
[0025][0026]其中，N为先验框的正样本数量，c为类别置信度预测值，l为先验框的所对应边界框的位置预测值，g为边界框的位置参数。
[0027]上述的卫浴陶瓷表面缺陷检测方法，其中，对于位置损失，采用Smooth L1Loss，公式如下：
[0028][0029]对于置信度损失，采用Softmax Loss，公式如下：
[0030][0031]上述的卫浴陶瓷表面缺陷检测方法，其中，在所述步骤3中采用标签平滑技术，防止网络模型过拟合。
[0032]上述的卫浴陶瓷缺陷检测方法，其中，在所述步骤3中采用迁移学习，并分两个阶段进行训练，第一阶段批大小为16，采用0.001的学习率训练若干个轮次，第二阶段的批大小为8，采用0.0001的学习率训练若干个轮次，并且在第二阶段训练时采用学习率下降策略和提前终止训练策略。
[0033]为了实现上述目的，本专利技术还提出一种卫浴陶瓷表面缺陷检测系统，包括：
[0034]数据采集模块，用于采集卫浴陶瓷表面缺陷图像，并对所述表面缺陷图像中的缺陷类型和缺陷位置进行标注，获得卫浴陶瓷表面缺陷的训练数据集；
[0035]模型构建模块，用于以SSD网络模型为基准构建缺陷检测模型；
[0036]模型训练模块，用于利用所述卫浴陶表面瓷缺陷的训练数据集对所述缺陷检测模型进行训练；
[0037]缺陷检测模块，用于将待检测的卫浴陶瓷表面缺陷图像输入至步骤3训练得到的所述缺陷检测模型中，输出所述待检测的卫浴陶瓷表面缺陷图像的缺陷类别和缺陷位置。
[0038]上述的卫浴陶瓷表面缺陷检测系统，其中，所述以SSD网络模型为基准构建的所述缺陷检测模型中的骨干网络替换为包含跳连结构的ResNet
‑
50网络。
[0039]上述的卫浴陶瓷表面缺陷检测系统，其中，所述ResNet
‑
50网络结尾的平均池化层和全连接层改为卷积层，并移除Dropout层，及增加若干个残差卷积模块。
[0040]由以上方案可知，本专利技术的优点在于：
[0041]第一，本专利技术的技术方案采用深度学习的目标检测技术作为基础框架，可以有效降低因为光照、亮度、照片曝光等因素对于检测结果的影响，大幅提高了缺陷检测精度。第二，本专利技术采用ResNet
‑
50网络作为SSD模型的骨干网络，提高了模型的表达能力，在加深网络深度的同时，也减少了模型参数，可以有效提高模型检测效果。第三，在模型训练时采用实时数据增强的算法，能够实时扩充训练数据，有效缓解训练数据短缺问题，提高模型的泛化能力。第四，本专利技术适用于卫浴陶瓷表面裂纹、缺釉、锈斑、绿斑和条状缩釉等缺陷检测问题，检测精度高，适用范围广，对于典型的卫浴陶瓷表面缺陷都有较本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种卫浴陶瓷表面缺陷检测方法，其特征在于，包括：步骤1，采集卫浴陶瓷表面缺陷图像，并对所述表面缺陷图像中的缺陷类型和缺陷位置进行标注，获得卫浴陶瓷表面缺陷的训练数据集；步骤2，以SSD网络模型为基准构建缺陷检测模型；步骤3，利用所述卫浴陶表面瓷缺陷的训练数据集对所述缺陷检测模型进行训练；步骤4，将待检测的卫浴陶瓷表面缺陷图像输入至步骤3训练得到的所述缺陷检测模型中，输出所述待检测的卫浴陶瓷表面缺陷图像的缺陷类别和缺陷位置。2.如权利要求1所述的卫浴陶瓷表面缺陷检测方法，其特征在于，所述缺陷类别包含以下至少一种：裂纹、缺釉、锈斑、绿斑和条状缩釉缺。3.如权利要求1所述的卫浴陶瓷表面缺陷检测方法，其特征在于，所述以SSD网络模型为基准构建的所述缺陷检测模型中的骨干网络替换为包含跳连结构的ResNet
‑
50网络。4.如权利要求3所述的卫浴陶瓷表面缺陷检测方法，其特征在于，所述ResNet
‑
50网络结尾的平均池化层和全连接层改为卷积层，并移除Dropout层，及增加若干个残差卷积模块。5.如权利要求1所述的卫浴陶瓷表面缺陷检测方法，其特征在于，采用Mish函数作为所述缺陷检测模型的激活函数。6.如权利要求1所述的卫浴陶瓷表面缺陷检测方法，其特征在于，所述步骤3包括：将输入所述缺陷检测模型的图像的尺寸缩放为300
×
300；从所述缺陷检测模型中选取38
×
38、19
×
19、10
×
10、5
×
5、3
×
3和1
×
1尺寸的特征图负责结果的预测任务。7.如权利要求6所述的卫浴陶瓷表面缺陷检测方法，其特征在于，所述步骤3还包括：所述缺陷检测模型为每个尺寸的所述特征图的每个特征点设置不同数量的先验框，所述特征图的每个特征点对应先验框的数量分别为4、6、6、6、4、4；所述特征图的先验框尺度s
k
分别为30、60、111、162、213、264，对于一般的长宽比选用或者对于特定的长宽比按如下公式计算先验框的宽度和高度：其中，对于38
×
38、3
×
3和1...

【专利技术属性】
技术研发人员：贾沛，田成花，赵宏剑，滕博文，顾聪，
申请(专利权)人：北京机械工业自动化研究所有限公司，
类型：发明
国别省市：