实体表面缺陷识别系统技术方案

本申请涉及一种实体表面缺陷识别系统，其中，该实体表面缺陷识别系统包括：识别模块；所述识别模块用于通过训练后的轻量化卷积神经网络识别实体表面图像的缺陷类别；其中，所述轻量化卷积神经网络包括多个深度可分离卷积，所述深度可分离卷积包括逐深度卷积，所述逐深度卷积的卷积核大小为

【技术实现步骤摘要】
实体表面缺陷识别系统


[0001]本申请涉及图像识别领域，特别是涉及一种实体表面缺陷识别系统
。

技术介绍

[0002]在制造业
、
质量控制和安全检查等领域，对实体表面的缺陷进行识别和检测至关重要
。
示例性地，热轧带钢的生产和使用对社会各个领域产生深远影响，包括建筑
、
汽车制造和基础设施开发
。
热轧带钢作为各种应用的基本材料，其表面缺陷识别具有极其重要的意义，因为它涉及到安全性
、
经济性和产品质量
。
若未能检测和解决实体表面缺陷可能导致灾难性后果，包括事故
、
经济损失和对制造商声誉的损害
。
可靠地识别缺陷的能力可以确保提供符合行业标准和法规要求的高质量钢材产品
。
[0003]通常，使用传统机器学习方法，难以处理复杂的实体表面的缺陷模式，而且需要耗费大量计算资源，并且在光照和实体表面条件变化方面可能难以适应
。
当前所使用的深度学习方法主要为卷积神经网络，均为非轻量化卷积神经网络，其参数量大，计算复杂度高，同不利于硬件部署
。
在神经网络模型训练过程中，数据集类别不均衡，导致训练过程中易出现过拟合问题
。
因此，深度学习方法的改进以及模型训练过程中数据集不平衡是识别实体表面缺陷的重要问题
。
[0004]针对相关技术中还缺乏有效的实体表面缺陷识别系统的问题，目前还没有提出有效的解决方案r/>。

技术实现思路

[0005]在本实施例中提供了一种实体表面缺陷识别系统，以解决相关技术中还缺乏有效的针对卷积神经网络的实体表面缺陷识别系统的问题
。
[0006]第一个方面，在本专利技术中提供了一种实体表面缺陷识别系统，所述系统包括：识别模块；所述识别模块用于通过训练后的轻量化卷积神经网络识别实体表面图像的缺陷类别；其中，所述轻量化卷积神经网络包括多个深度可分离卷积，所述深度可分离卷积包括逐深度卷积，所述逐深度卷积的卷积核大小为
7*7
，所述深度可分离卷积的输入和输出通过残差支路连接
。
[0007]更进一步地，在步长为2的所述深度可分离卷积中，所述残差支路包括1×1卷积
。
[0008]更进一步地，所述识别模块包括数据处理子模块，所述数据处理子模块用于在所述轻量化卷积神经网络训练之前对样本数据进行预处理；所述预处理包括随机数据平衡，所述随机数据平衡用于通过数据扩增平衡所述样本数据中各类别数据
。
[0009]更进一步地，所述预处理还包括离线数据增强，所述离线数据增强用于通过数据扩增提高各类别数据平衡后的所述样本数据的数量
。
[0010]更进一步地，所述通过数据扩增平衡所述样本数据中各类别数据包括：
根据当前类别数据的平衡因子对所述当前类别数据进行图像变换实现数据扩增；其中，所述当前类别数据的平衡因子根据所述当前类别数据数量和最大类别数据数量确定；所述图像变换包括旋转
、
水平翻转
、
锐化
、
添加高斯噪声
、
随机裁剪以及模糊处理
。
[0011]更进一步地，所述识别模块还包括模型训练子模块，所述模型训练子模块用于通过预处理后的所述样本数据对所述轻量化卷积神经网络进行训练
。
[0012]更进一步地，所述识别模块还包括模型量化子模块，所述模型量化子模块用于对训练后的所述轻量化卷积神经网络进行量化，得到具有多个不同精度的所述轻量化卷积神经网络
。
[0013]更进一步地，所述系统还包括：精度选择模块；所述精度选择模块用于响应用户选择，确定所述识别模块所采用的所述轻量化卷积神经网络的精度
。
[0014]更进一步地，所述系统还包括：数据处理模块；所述数据处理模块用于将所述实体表面图像的格式转化为所述识别模块所需的格式
。
[0015]更进一步地，所述轻量化卷积神经网络为
MobileNet
‑
Pro
网络
。
[0016]第二个方面，在本专利技术中提供了一种电子装置，包括存储器
、
处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一个方面所述的实体表面缺陷识别系统
。
[0017]第三个方面，在本专利技术中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面所述的实体表面缺陷识别系统
。
[0018]与相关技术相比，在本专利技术中提供的实体表面缺陷识别系统，本专利技术首先采用非轻量化卷积神经网络，通过将深度可分离卷积的逐深度卷积的卷积核大小由3×3增大到7×7，并使用残差之路连接深度可分离卷积的输入与输出，会使得在识别实体表面缺陷的速度更快，准确率更高，本专利技术提供了一种有效的实体表面缺陷识别系统，解决了相关技术中还缺乏有效的实体表面缺陷识别系统的问题
。
[0019]本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征
、
目的和优点更加简明易懂
。
附图说明
[0020]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定
。
在附图中：图1是执行本专利技术中提供的实体表面缺陷识别系统的终端硬件结构框图；图2是本专利技术的实体表面缺陷识别系统的流程图；图3是改进后的深度可分离卷积示意图；图4是本专利技术的实体表面缺陷识别系统中识别模块的示意图；图5是随机数据平衡中使用的图像变换的示意图；图6是离线数据增强中使用的图像变换的示意图；图7是实体表面缺陷识别系统示意图
。
具体实施方式
[0021]为更清楚地理解本申请的目的
、
技术方案和优点，下面结合附图和实施例，对本申请进行了描述和说明
。
[0022]除另作定义外，本申请所涉及的技术术语或者科学术语应具有本申请所属
具备一般技能的人所理解的一般含义
。
在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制，它们可以是单数或者复数
。
在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体，其目的是涵盖不排他的包含；例如，包含一系列步骤或模块（单元）的过程
、
方法和系统
、
产品或设备并未限定于列出的步骤或模块（单元），而可包括未列出的步骤或模块（单元），或者可包括这些过程
、
方法
、
产品或设备固有的其他步骤或模块（单元）
。
在本申请中所涉及的“连接”、“相连”、“耦接”等本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种实体表面缺陷识别系统，其特征在于，所述系统包括：识别模块；所述识别模块用于通过训练后的轻量化卷积神经网络识别实体表面图像的缺陷类别；其中，所述轻量化卷积神经网络包括多个深度可分离卷积，所述深度可分离卷积包括逐深度卷积，所述逐深度卷积的卷积核大小为
7*7
，所述深度可分离卷积的输入和输出通过残差支路连接
。2.
根据权利要求1所述的实体表面缺陷识别系统，其特征在于，在步长为2的所述深度可分离卷积中，所述残差支路包括1×1卷积
。3.
根据权利要求1所述的实体表面缺陷识别系统，其特征在于，所述识别模块包括数据处理子模块，所述数据处理子模块用于在所述轻量化卷积神经网络训练之前对样本数据进行预处理；所述预处理包括随机数据平衡，所述随机数据平衡用于通过数据扩增平衡所述样本数据中各类别数据
。4.
根据权利要求3所述的实体表面缺陷识别系统，其特征在于，所述预处理还包括离线数据增强，所述离线数据增强用于通过数据扩增提高各类别数据平衡后的所述样本数据的数量
。5.
根据权利要求4所述的实体表面缺陷识别系统，其特征在于，所述通过数据扩增平衡所述样本数据中各类别数据包括：根据当前类别数据的平衡因子对所述当前类别数据进行图像变换实现数据扩增；其中，所述当前类别数据的平衡因子根据所述当前类别数据数量和最大类别数据...

【专利技术属性】
技术研发人员：曾伟辉，汪俊彦，胡根生，郭丹丹，吴鹏程，陈鹏，
申请(专利权)人：安徽大学，
类型：发明
国别省市：