System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于图像处理,涉及一种工业产品表面瑕疵检测方法,具体涉及一种基于自适应特征提取及长程特征融合的工业产品表面瑕疵检测方法,可应用于自适应检测工业产品表面瑕疵,特别是细长瑕疵。
技术介绍
1、在工业生产过程中,由于现有技术、工作条件等因素的不足和局限性,极易影响制成品的质量。其中,表面瑕疵是产品质量受到影响的最直观表现,表面带有瑕疵的工业品在使用过程中,存在重大的安全隐患。因此,为了保证工业品合格率和可靠的质量,必须进行产品表面瑕疵检测。工业产品表面瑕疵检测指检测样品表面的划痕、缺陷、异物遮挡、颜色污染、孔洞等瑕疵,从而获得被测样品表面瑕疵的类别及位置的相关信息。
2、图像处理
中工业产品表面瑕疵检测方法有基于传统机器学习和基于深度学习的检测方法,目前,由于卷积神经网络强大的特征提取能力,基于深度学习的工业产品表面瑕疵检测方法成为主流,其中,基于深度学习的全监督模型凭借其突出的检测精度被广泛应用,全监督学习模型所需的训练样本均需人工标注,其本质是将瑕疵检测问题看作计算机视觉中的分类任务,包括粗粒度的图像标签分类或区域分类,以及最精细的像素分类。由于实现的目标与计算机视觉任务完全一致,因此基于全监督学习模型的瑕疵检测方法可以看作是其相关经典网络在工业领域的一个应用。经典算法有二阶段检测网络faster-rcnn,其先输出瑕疵感兴趣区域,在进行后续的瑕疵类别及位置检测,单阶段检测网络yolo等,其直接对瑕疵类别及位置进行检测。在现阶段追求检测速度的瑕疵检测领域中,基于一阶段的模型应用较多,在强调检测精度的瑕疵
3、在工业产品表面缺陷检测过程中,由于瑕疵尺度各异以及背景干扰,使得基于卷积神经网络的检测方法无法充分发挥其性能,在对尺度大小多变的瑕疵提取特征时容易产生信息提取不全的问题,同时背景的干扰也会带来冗余信息,这将影响网络对瑕疵的检测精度。为了解决上述问题,rongqiang liu等人在2023年3月15日发表的论文《msc-dnet:anefficient detector with multi-scale context for defect detection on stripsteel surface》中公开了一种基于多尺度上下文的检测方法,其建立了具有不同膨胀率的膨胀卷积padc的并行架构来捕获包含多尺度缺陷的多尺度上下文信息。此外,提出了特征增强和选择模块fesm来增强单尺度特征并选择多尺度特征以减少混淆信息。该方法在采样过程中,并不能根据瑕疵的形状变化进行自适应采样,对于细长瑕疵目标的特征信息在下采样操作中易丢失,网络对细长瑕疵的拟合能力差,导致检测的准确率较低。
技术实现思路
1、本专利技术的目的在于克服上述现有技术存在的缺陷,提出了一种基于自适应特征提取及长程特征融合的工业产品表面瑕疵检测方法,用于解决现有技术中存在的因网络对细长瑕疵的拟合能力差导致的检测准确率较低的技术问题。
2、为实现上述目的,本专利技术采取的技术方案包括如下步骤:
3、(1)获取训练样本集和测试样本集:
4、获取m幅包括多个瑕疵类别的工业产品图像,并对每幅图像中的瑕疵进行位置框及类别标注,再对标注后的每幅图像进行预处理,然后将预处理后的n幅工业产品图像及其对应的标签组成训练样本集r1,将剩余的m-n幅工业产品图像及其对应的标签组成测试样本集e1,其中m≥1800,
5、(2)构建基于自适应特征提取及长程特征融合的工业产品表面瑕疵检测网络模型o:
6、构建包括自适应特征提取模块、特征金字塔模块、区域生成模块和预测模块的工业产品表面瑕疵检测网络模型o;其中自适应特征提取模块包括级联的k个自适应残差卷积块,用于根据瑕疵尺寸和形状的变化自适应地调整卷积核的采样点位置;特征金字塔模块包括与自适应特征提取模块中每个自适应残差卷积块连接的由两个卷积层组成的分支结构;第一自适应残差卷积块与其连接的分支结构之间加载有两个级联的长程特征融合模块;第二自适应残差卷积块与其连接的分支结构之间加载有一个长程特征融合模块,用于对大尺度瑕疵的采样信息和特征图的关键信息进行增强;区域生成模块与特征金字塔模块中的k个分支结构相连,且特征金字塔模块中的最后一个分支结构还通过卷积层与区域生成模块相连;预测模块与特征金字塔模块中的k个分支结构相连,同时与区域生成模块的输出端相连,k≥3;
7、(3)初始化参数:
8、初始化迭代次数为t,最大迭代次数为t,t≥200,第t次迭代的工业产品表面瑕疵检测模型ot中的权值、偏置参数分别为wt、bt,并令t=1;
9、(4)获取瑕疵的类别概率及位置框信息:
10、将训练样本集r1作为工业产品表面瑕疵检测模型o的输入进行前向传播,得到n个训练样本的瑕疵类别概率及位置框信息的检测结果;
11、(5)计算工业产品表面瑕疵检测网络模型的损失值:
12、根据步骤(4)的检测结果计算工业产品表面瑕疵检测网络模型的损失值lt;
13、(6)获取训练好的瑕疵检测网络模型:
14、通过链式法则计算lt对权值参数ωt及偏置参数bt的偏导和并根据对ωt、bt进行更新,得到本次迭代的网络模型ot;然后判断t≥t是否成立,若是,得到训练好的工业产品表面瑕疵检测网络o*,否则,令t=t+1,o=ot,并执行步骤(4);
15、(7)获取工业产品表面瑕疵检测结果:
16、将测试样本集e1作为训练好的工业产品表面瑕疵检测模型o*的输入进行前向传播,得到m-n个测试样本对应的工业产品表面瑕疵的类别概率及位置框信息。
17、本专利技术与现有技术相比,具有以下优点:
18、本专利技术在对检测网络模型进行训练以及获取工业产品表面瑕疵检测结果的过程中,自适应特征提取模块在提取图像特征时能够根据瑕疵尺寸和形状的变化自适应地调整卷积核的采样点位置,可以较好的拟合瑕疵形状,尤其对于细长瑕疵可以较好的提取其全部信息;前两个自适应残差卷积块所连接的长程特征融合模块能够对大尺度瑕疵的采样信息和特征图的关键信息进行增强,使得所提取的特征图在保留更多细节信息的同时,获得更强的语义信息;实验结果表明,本专利技术能够有效提高了检测精度。
本文档来自技高网...【技术保护点】
1.一种基于自适应特征提取及长程特征融合的工业产品表面瑕疵检测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的方法,其特征在于,步骤(1)中所述的对标注后的每幅图像进行预处理,实现步骤为:
3.根据权利要求1所述的方法,其特征在于,步骤(2)中所述的工业产品表面瑕疵检测网络模型O,其中:
4.根据权利要求3所述的方法,其特征在于,步骤(2)中所述的K个自适应残差卷积块,其输入端还加载有一个卷积层。
5.根据权利要求4所述的方法,其特征在于,步骤(4)中所述的获取瑕疵的类别概率及位置框信息,实现步骤为:
6.根据权利要求5所述的方法,其特征在于,步骤(5)中所述的计算工业产品表面瑕疵检测模型的损失值Lt,计算公式为:
7.根据权利要求1所述的方法,其特征在于,步骤(6)中所述的对ωt、bt进行更新,更新公式分别为:
【技术特征摘要】
1.一种基于自适应特征提取及长程特征融合的工业产品表面瑕疵检测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的方法,其特征在于,步骤(1)中所述的对标注后的每幅图像进行预处理,实现步骤为:
3.根据权利要求1所述的方法,其特征在于,步骤(2)中所述的工业产品表面瑕疵检测网络模型o,其中:
4.根据权利要求3所述的方法,其特征在于,步骤(2)中所述的k个自...
【专利技术属性】
技术研发人员:刘若辰,吴永岭,吴江浩,李建霞,
申请(专利权)人:西安电子科技大学,
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。