【技术实现步骤摘要】
本专利技术涉及基于深度学习目标检测,尤其涉及一种超宽幅金属表面瑕疵检测与识别方法。
技术介绍
1、制造业正经历着从传统生产模式向智能制造的重大转型。智能工厂、无人车间的出现,极大提高了生产效率和保障了产品生产的一致性。尽管生产的自动化程度越来越高,但是,产品表面瑕疵往往无法避免。通常,表面瑕疵又可称为表面缺陷,缺陷是产品表面局部物理或化学性质不均匀的区域,如金属表面的划痕、斑点、脏污、裂纹等。产品表面缺陷影响产品的美观、舒适度和使用性能。近年来,随着人工智能、深度学习、机器视觉技术的发展,基于视觉的工业产品外观检测已经大量应用于航空航天、纺织品、汽车零部件、半导体等产品的表面缺陷检测,提升了质检效率和质量。而且,精准地识别、统计缺陷类型和数量,有助于改善生产工艺,减少缺陷后续出现的概率。然而,由于大面幅钢板、铝材、钢带等产品的表面面积大,相机的成像范围非常大。相比通用目标检测任务,超宽幅金属表面缺陷检测仍面临如下挑战:
2、1)形态多样、多尺度、微弱目标难检测
3、由于超宽幅金属表面大,获取的大尺度图像中既包含了
...【技术保护点】
1.一种超宽幅金属表面瑕疵检测与识别方法,其特征在于,将工业产线上相机拍摄的超宽幅金属表面工业图像输入预先训练好的超宽幅金属表面瑕疵检测与识别模型,得到表面瑕疵检测结果,所述的超宽幅金属表面瑕疵检测与识别模型包括:
2.根据权利要求1所述的一种超宽幅金属表面瑕疵检测与识别方法,其特征在于,所述多层级语义感知增强模块MSEM由级联的多层级特征集成模块和改进的SPPCSPC结构组成;所述的多层级特征集成模块以主干特征提取网络获得的特征图{C2,C3,C4,C5}作为输入,特征图C5为C×H’×W’的张量,C表示特征图的通道数,H’表示特征图的高度,W’表示特征
...【技术特征摘要】
1.一种超宽幅金属表面瑕疵检测与识别方法,其特征在于,将工业产线上相机拍摄的超宽幅金属表面工业图像输入预先训练好的超宽幅金属表面瑕疵检测与识别模型,得到表面瑕疵检测结果,所述的超宽幅金属表面瑕疵检测与识别模型包括:
2.根据权利要求1所述的一种超宽幅金属表面瑕疵检测与识别方法,其特征在于,所述多层级语义感知增强模块msem由级联的多层级特征集成模块和改进的sppcspc结构组成;所述的多层级特征集成模块以主干特征提取网络获得的特征图{c2,c3,c4,c5}作为输入,特征图c5为c×h’×w’的张量,c表示特征图的通道数,h’表示特征图的高度,w’表示特征图的宽度;特征图c2通过自适应平均池化,得到特征图f0;特征图c3通过级联的自适应平均池化和1×1卷积模块,得到特征图f1;特征图c4通过级联的自适应平均池化和1×1卷积模块,得到特征图f2;特征图c5通过1×1卷积模块通道降维,得到特征图f3;特征图f0、f1、f2和f3的大小均为c/4×h'×w’的张量;将特征图f0、f1、f2和f3拼接,依次经过正则化、批处理归一化、sigmoid函数处理,得到特征图m5;所述的改进的sppcspc结构的输入即为特征图m5;特征图m5经过依次级联的1×1卷积模块、无参数注意力simam、特征优化模块和1×1卷积模块得到特征图c5’;所述的特征优化模块包含两条特征处理支路,第一条特征处理支路为级联的轻量化的ghost卷积块、1×1卷积模块、混合spp模块、1×1卷积模块和轻量化的ghost卷积块;第二条特征处理支路为对输入的特征直接传播;将两条特征处理支路的输出拼接,作为特征优化模块的输出;所述的混合spp模块由四条并行支路组成,第一条支路为池化核为1×3的最大池化,第二条支路为池化核为3×1的最大池化,第三条支路为3×3的空洞卷积模块,第四条对输入不做任何操作,对四条并行支路所得的特征拼接作为混合spp模块的输出。
3.根据权利要求1所述的一种超宽幅金属表面瑕疵检测与识别方法,其特征在于,所述的邻近特征注意融合模块pfafm由级联的改...
【专利技术属性】
技术研发人员:朱江,庞晴蔚,李建奇,贺振东,许海霞,李赛斯,
申请(专利权)人:湘潭大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。