一种基于深度神经网络的工件缺陷检测方法技术

本发明专利技术提供一种基于深度神经网络的工件缺陷检测方法。根据图像的全局特征对训练图像进行图像增强处理，减轻由于不同环境光照引起的图像质量不一的问题，增强缺陷检测算法的环境适应能力；将深度神经网络作为特征提取的主干网络，获取更深层的语义信息；在特征金字塔中进行浅层特征和深层信息的特征融合，充分利用上下文信息，并引入注意力机制，用于抑制融合后的特征对于原有细节特征的干扰，实现了语义信息和细节信息的有效融合，提高对于各尺度缺陷的检测性能。本发明专利技术可以较为准确、有效地在工件的部件数据集中不同光照条件下的产品图像检测到各类型各尺度的缺陷。图像检测到各类型各尺度的缺陷。图像检测到各类型各尺度的缺陷。

【技术实现步骤摘要】
一种基于深度神经网络的工件缺陷检测方法


[0001]本专利技术涉及一种工件缺陷检测方法，尤其涉及一种基于深度神经网络的工件缺陷检测方法。

技术介绍

[0002]全球制造业的发展趋势与智能化紧密相关，智能制造和智慧工厂是全球制造业重要发展趋势，通过促进形成新的生产管理方式、商业运营模式和产业发展形态，将对全球工业的产业格局带来重大的影响。复杂部件制造技术在制造业中有着广泛的应用，这其中工件缺陷自动检测算法作为提高工件生产效率的重要部分，解决这一关键难题具有非常重要的实用价值。
[0003]在工业产品制造过程中，缺陷检测具有重要意义。在生产过程中，由于加工、设计、机床生产设备故障和工况恶劣等因素，制造产品不可避免地会存在孔洞、凹陷、擦伤等各类缺陷，在日常的应用过程中也容易产生腐蚀和疲劳破坏等问题，使得企业生产成本增加，造成巨大的资源浪费和经济损失，甚至给人们的生命安全造成巨大的伤害。随着装备制造行业的不断发展，高端制造装备对高标准、高质量的产品需求更加旺盛，同时对设计人员以及现场检测人员水平提出了更高的要求，因此在复杂工业过程中，对制造产品本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的工件缺陷检测方法，其特征在于：包括以下步骤，步骤1，对采集的工件图像进行预处理生成工件图像数据集，并对工件图像数据集中的训练图像进行图像增强；步骤2，在深度神经网络中引入注意力机制和特征融合模块，使用深度神经网络进行深度学习，拟合缺陷检测的深度模型将输出的缺陷位置与缺陷类别作为工件缺陷检测的最终结果；具体包括如下子步骤：步骤2.1，将步骤1增强后的图像作为输入，通过深度神经网络的主干网络进行训练与学习，所述主干网络用于提取图像特征；步骤2.2，将主干网络提取出的图像特征通过一系列的卷积层构建不同尺度的特征图，并将多尺度特征图部分记为特征金字塔；步骤2.3，在深度神经网络中加入特征融合模块，用于将浅层的特征与深层的语义信息进行融合，即用于将将主干网络提取的图像特征与特征金字塔中的特征图拼接，使得用于小尺度目标检测和定位的浅层特征图能够同时包含细节和深层语义信息；步骤2.4，利用深度神经网络中特征融合后的特征金字塔进行缺陷检测。2.根据权利要求1所述的一种基于深度神经网络的工件缺陷检测方法，其特征在于：在步骤1中，构建一个由参数预测模块和可微图像处理模块两部分组成的图像增强模块，利用图像增强模块对训练图像进行图像增强；其中参数预测模块包括五个卷积层和两个全连接层，每个卷积层后面连接一个激活层，输入下采样后低分辨率的图像，输出可微图像处理模块需要的超参数；可微图像处理模块利用亮度、对比度和色调的Gamma校正、对比度变换和白平衡变换算法，以及增强图像边缘和细节特征的锐化算法对图像进行增强。3.根据权利要求1所述的一种基于深度神经网络的工件缺陷检测方法，其特征在于，步骤2.1中，所述主干网络为ResNet50。4.根据权利要求1所述的一种基于深度神经网络的工件缺陷检测方法，其特征在于，步骤2.2中，将主干网络ResNet50输出的特征图集合记为{C1,C2,C3,C4}，选取小尺度的浅层特征层C2作为特征金字塔的初始特征图，并根据以下公式构建特征金字塔：P
i+1
＝F(f3×3(F(f1×1(P
i
))))F(x
i
)＝ReLU(BN(x
i
))其中，i∈{0,1,2,3,4}，P0＝C2，f3×3和f1×1分别为卷积核大小为3、1的卷积层，f3×3卷积层的步长为2，BN为批标准化处理，F(x
i
)为对批标准化处理后的结果进行激活，ReLU为激活函数，最终输出特征图集合表示为{P0,P1,P2,P3,P4,P5,}，特征图尺寸分...

【专利技术属性】
技术研发人员：朱海红，李思宇，李霖，于璐，李林峰，胡伦庭，武新梅，
申请(专利权)人：武汉大学，
类型：发明
国别省市：