一种基于轻量级语义分割的数码喷印图像缺陷检测方法技术

本发明专利技术公开了一种基于轻量级语义分割的数码喷印图像缺陷检测方法，属于数码喷印缺陷检测技术领域，包括：获取数码印刷图像数据，通过对比合格图像和缺陷图像，确定需要检测的数码喷印缺陷类别；对缺陷图像进行像素级别的缺陷标注，将缺陷图像和标签图像作为样本数据集；对样本数据集中的图像进行预处理，并将图像划分为训练集和测试集；搭建轻量级语义分割模型，搭配轻量级主干网络用于特征提取，确定模型参数；将训练集输入到轻量级语义分割模型中进行多次迭代，轻量级语义分割模型收敛后得到训练好的轻量级语义分割模型；将测试集输入到训练好的轻量级语义分割模型中，得到测试结果。实现了更智能、更高精度、更高效的缺陷检测。测。测。

【技术实现步骤摘要】
一种基于轻量级语义分割的数码喷印图像缺陷检测方法


[0001]本专利技术涉及数码喷印缺陷检测
，特别涉及一种基于轻量级语义分割的数码喷印图像缺陷检测方法。

技术介绍

[0002]随着印刷品行业技术智能化和高精尖技术的有力推进，数码喷印作为优秀的技术产业迎来了发展和热潮，并且计算机视觉技术也取得了较为成熟的发展，已涵盖了多数人类视觉需要的场景，高分辨率相机结合图像处理技术和深度学习算法已逐步运用到各类生产线的缺陷检测中，包括文字印刷、工件表面检测等，为保障生产运营有着重要的意义。
[0003]传统的人工目视检测有一定的局限性，如果没有及时进行处理，将会产生一整条生产线的不良品，进而导致产品原料浪费、影响品质并降低公司的生产出货效率。因此，采用基于计算机视觉的缺陷检测方法代替传统人工目视检测，计算机视觉检测具备准确率、速度、成本等方面的优势，通过搭建卷积神经网络的深度学习语义分割模型，能够对数码喷印生产进行科学检测，实现智能化的工业产品检测。
[0004]但是由于传统的卷积神经网络通常为了达到更高的精度，将网络建设的更深、更复杂，致使训练过程需要占用很大的内存空间，以及更高要求的GPU设备，而且更大的计算量会影响检测速度，总而言之，现有的缺陷检测方法存在结构复杂，高开销的问题。

技术实现思路

[0005]本专利技术的目的在于克服现有技术中所存在的现有的缺陷检测方法结构复杂，开销高的不足，提供一种基于轻量级语义分割的数码喷印图像缺陷检测方法。
[0006]为了实现上述专利技术目的，本专利技术提供了以下技术方案：
[0007]一种基于轻量级语义分割的数码喷印图像缺陷检测方法，包括以下步骤：
[0008]S1：获取数码印刷图像数据，通过对比合格图像和缺陷图像，确定需要检测的数码喷印缺陷类别；
[0009]S2：对所述缺陷图像进行像素级别的缺陷标注，将所述缺陷图像和标签图像作为样本数据集；
[0010]S3：对所述样本数据集中的图像进行预处理，并将所述图像划分为训练集和测试集；
[0011]S4：搭建轻量级语义分割模型，搭配轻量级主干网络用于特征提取，确定模型参数；
[0012]S5：将所述训练集输入到所述轻量级语义分割模型中进行多次迭代，所述轻量级语义分割模型收敛后得到训练好的轻量级语义分割模型；
[0013]S6：将所述测试集输入到所述训练好的轻量级语义分割模型中，得到测试结果。
[0014]采用上述技术方案，通过对数据集进行预处理操作，具有准确且快速识别不同条件下的不同数码喷印缺陷类型，具有有效性和优越性等卓越性能的特点；对图像的预处理
操作丰富图像训练集，防止模型过拟合，接着通过改进的轻量级主干网络进行特征提取，节约了计算成本，最后通过语义分割模型得到分割和分类结果；本专利技术提供的基于轻量级语义分割的缺陷检测方法充分将深度学习和计算视觉的优势利用在数码喷印工艺生产中，促进了工业智能化发展，从而实现更智能、更高精度、更高效的缺陷检测。
[0015]作为本专利技术的优选方案，所述步骤S2中的所述数据集包括三种数码喷印缺陷，分别为：漏色、拉丝、白线。
[0016]作为本专利技术的优选方案，所述步骤S3中对所述样本数据集中的图像进行预处理包括：统一输入图像尺寸、图像灰度化、对所述数据集中的图像进行水平与垂直翻转。
[0017]作为本专利技术的优选方案，所述步骤S4中所述轻量级语义分割模型包括编码器和解码器两部分，所述编码器部分包括主干网络和空间特征金字塔池化模块；
[0018]所述主干网络用于提取出两个有效的特征层，分别为高级语义特征层和低级语义特征层，同时将所述高级语义特征层输入到所述空间特征金字塔池化模块；
[0019]所述空间特征金字塔池化模块用于对所述高级语义特征层进行多尺度的特征提取，并对输出的特征进行4倍上采样，并且与所述编码器输出的语义特征进行堆叠，最终得到缺陷分割图和缺陷类型。
[0020]作为本专利技术的优选方案，所述主干网络基于GhostNet改进的轻量级网络，第1层为卷积层，卷积核大小为3*3，步长为2；第2层和第3层、第6层和第7层、第14
‑
19层均为Ghost Bottleneck模块，步长为1；第4层和第5层、第8层和第9层、第12和第13层、第24和第25层均为Ghost Bottleneck模块，使用深度可分离卷积，步长为2，其中，第4层和第5层用于将得到的所述低级语义特征层输入到所述解码器中，第8层和第9层插入CBAM注意力机制；第10层和第11层、第20
‑
第23层、第26
‑
33层均为Ghost Bottleneck模块，步长为1，插入CBAM注意力机制；第34层为卷积层，卷积核大小为3*3，步长为1；第35层为平均池化层，用于将得到的所述高级语义特征层输入到所述空间特征金字塔池化模块中。
[0021]作为本专利技术的优选方案，所述空间特征金字塔池化模块第一层为1*1卷积层，第二层到第四层为不同膨胀率的空洞卷积层，第五层为池化层。
[0022]作为本专利技术的优选方案，三个所述空洞卷积层的膨胀率分别是6、12、18，三个所述空洞卷积层分别添加了残差操作，用于将输入进来的所述高级特征语义信息与经过所述空洞卷积层的语义特征相加。
[0023]作为本专利技术的优选方案，所述轻量级语义分割模型的损失函数为Focal Loss。
[0024]作为本专利技术的优选方案，所述轻量级语义分割模型的激活函数为ReLU6。
[0025]另一方面，公开了一种基于轻量级语义分割的数码喷印图像缺陷检测装置，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一项所述的方法。
[0026]与现有技术相比，本专利技术的有益效果在于：通过对数据集进行预处理操作，具有准确且快速识别不同条件下的不同数码喷印缺陷类型，具有有效性和优越性等卓越性能的特点；对图像的预处理操作丰富图像训练集，防止模型过拟合，接着通过改进的轻量级主干网络进行特征提取，节约了计算成本，最后通过语义分割模型得到分割和分类结果；本专利技术提供的基于轻量级语义分割的缺陷检测方法充分将深度学习和计算视觉的优势利用在数码
喷印工艺生产中，促进了工业智能化发展，从而实现更智能、更高精度、更高效的缺陷检测，同时，一般来说数码喷印缺陷部分相对于背景部分占比较小，Focal Loss可以突出缺陷部分的损失权重，可以解决前后背景不平衡的问题，保障缺陷检测模型的精度。
附图说明
[0027]图1为本专利技术实施例1所述的一种基于轻量级语义分割的数码喷印图像缺陷检测方法的流程图；
[0028]图2为本专利技术实施例1所述的一种基于轻量级语义分割的数码喷印图像缺陷检测方法的数据集的图像；
[0029]图3为本专利技术实施例1所述的一种基于轻量级语义本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于轻量级语义分割的数码喷印图像缺陷检测方法，其特征在于，包括以下步骤：S1：获取数码印刷图像数据，通过对比合格图像和缺陷图像，确定需要检测的数码喷印缺陷类别；S2：对所述缺陷图像进行像素级别的缺陷标注，将所述缺陷图像和标签图像作为样本数据集；S3：对所述样本数据集中的图像进行预处理，并将所述图像划分为训练集和测试集；S4：搭建轻量级语义分割模型，搭配轻量级主干网络用于特征提取，确定模型参数；S5：将所述训练集输入到所述轻量级语义分割模型中进行多次迭代，所述轻量级语义分割模型收敛后得到训练好的轻量级语义分割模型；S6：将所述测试集输入到所述训练好的轻量级语义分割模型中，得到测试结果。2.根据权利要求1所述的一种基于轻量级语义分割的数码喷印图像缺陷检测方法，其特征在于，所述步骤S2中的所述数据集包括三种数码喷印缺陷，分别为：漏色、拉丝、白线。3.根据权利要求1所述的一种基于轻量级语义分割的数码喷印图像缺陷检测方法，其特征在于，所述步骤S3中对所述样本数据集中的图像进行预处理包括：统一输入图像尺寸、图像灰度化、对所述数据集中的图像进行水平与垂直翻转。4.根据权利要求1所述的一种基于轻量级语义分割的数码喷印图像缺陷检测方法，其特征在于，所述步骤S4中所述轻量级语义分割模型包括编码器和解码器两部分，所述编码器部分包括主干网络和空间特征金字塔池化模块；所述主干网络用于提取出两个有效的特征层，分别为高级语义特征层和低级语义特征层，同时将所述高级语义特征层输入到所述空间特征金字塔池化模块；所述空间特征金字塔池化模块用于对所述高级语义特征层进行多尺度的特征提取，并对输出的特征进行4倍上采样，并且与所述编码器输出的语义特征进行堆叠，最终得到缺陷分割图和缺陷类型。5.根据权利要求4所述的一种基于轻量级语义分割的数码喷印图像缺陷检测方法，其特征在于，所述主干网络基于GhostNet改进的轻量级网络，第1层为卷积层，卷积核大小为3*3，步长为2；第2层和第3层、第6层...

【专利技术属性】
技术研发人员：肖蕾，张铭芷，
申请(专利权)人：广东技术师范大学，
类型：发明
国别省市：