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】
本专利技术基于边缘计算的玉珠表面缺陷检测方法属于数字图像处理。
技术介绍
1、我国作为玉制品产量大国,玉制品的数量、质量以及生产规模都遥遥领先。
2、玉制品的原料为玉石,其作为天然矿物,产生之初就因自然环境等影响在内部形成裂纹、黑色斑块等缺陷,而在打磨为玉珠的过程中,既会在外在机械的作用下产生表面磨损,又会将其内部的裂纹与黑色斑块暴露于玉珠表面,称作裂纹缺陷、黑斑缺陷与磨损缺陷。玉珠的缺陷严重影响整个玉珠的质量与外观。为了保证玉珠的品质,工厂通常会进行玉珠的分拣工作,分拣后便可以进行下一步的成品制作。
3、由于在分拣方面没有较为成熟的设备,所以玉珠分拣工作目前采用的是人工分拣,这种依靠人力的分拣经过长期的工作实践后其诟病也愈发凸显:一是效率低下,二是具有很强的主观性。
4、近年来,随着图像处理理论与机器视觉技术的日益成熟、硬件处理器的加速发展,形成了一种被工业界高度认可的机器视觉检测技术。该技术凭借稳定、可靠、非接触测量的优势,大大减少了人工参与量,有效提高了工业自动化程度。如果能将图像处理理论与机器视觉技术应用于玉珠表面缺陷检测,对于增强国内玉珠生产检测技术、提高我国在玉制品市场的竞争力等方面具有重大现实意义,同时也有着非常广阔的市场应用前景。
5、目前,已经有一些基于机器视觉和深度学习方法的产品表面缺陷检测技术。例如,王等人采用深度信念网络获得太阳能电池训练图像与非缺陷模板之间的关系;han等人使用残差网络resnet作为基本网络,使用基于更快区域的cnn作为检测器,检测轮毂表
技术实现思路
1、为了发挥深度学习的技术优势,同时填补玉珠表面缺陷机器视觉检测的空白,本专利技术提出了一种基于边缘计算的玉珠表面缺陷检测方法,首先构建了玉珠图像数据集,然后设计了cagn神经网络,在ghostnet网络模型基础上添加ca注意力机制,将通道注意力分解为垂直方向和水平方向的特征编码过程,然后将玉珠表面缺陷位置数据从具有不同缺陷方向的两个方向图中编码为两个缺陷关注图,与原始模型ghostnet相比,提高了精确度,且更适配玉珠表面缺陷检测的研究,再构建了cagn-yolov7算法,解决了yolov7模型结构复杂、计算负载大、不易部署的问题,实现了边缘端的实时检测。
2、本专利技术的目的是这样实现的:
3、基于边缘计算的玉珠表面缺陷检测方法,包括以下步骤:
4、步骤a、构建玉珠图像数据集
5、借助真实玉珠,采用自采集方式建立玉珠表面缺陷图像数据集,针对玉珠表面缺陷特征进行缺陷分类,包括黑斑缺陷、裂纹缺陷、磨损缺陷与标准无缺陷;
6、步骤b、设计cagn神经网络
7、步骤b1、设计cagn的注意力机制
8、在ghostnet网络模型基础上添加ca注意力机制,将通道注意力分解为垂直方向和水平方向的特征编码过程,然后将玉珠表面缺陷位置数据从具有不同缺陷方向的两个方向图中编码为两个缺陷关注图,这将允许生成的缺陷位置图存储缺陷的位置数据;为了进一步强调兴趣表达,两个缺陷注意力图最终进行结合并应用于输入;
9、步骤b2、选择激活函数
10、选择leaky relu作为激活函数;
11、步骤c、设计cagn-yolov7玉珠表面缺陷检测算法
12、步骤c1、构建cagn-yolov7模型
13、将步骤b设计的cagn神经网络作为特征提取网络替代原始yolov7的主干网络,有效减少了模型参数量,使网络更加轻量化,便于边缘端部署;
14、步骤c2、训练cagn-yolov7模型
15、在pytorch深度学习网络框架下进行模型的训练,训练数据为步骤a建立的玉珠图像数据集,每批次的输入数据量为16,训练轮数为250,训练集和测试集图片的像素大小为640,学习率为0.01,优化器选择adam;
16、步骤d、检测玉珠表面缺陷
17、采用步骤c设计的cagn-yolov7玉珠表面缺陷检测算法对玉珠表面缺陷进行检测。
18、上述基于边缘计算的玉珠表面缺陷检测方法,在步骤b中,在步长为1的ghost瓶颈模块中添加ca注意力机制,添加位置为瓶颈模块的两个ghost模块之间,实现输出特征图之间的连接;在步长为2的ghost瓶颈模块之间添加ca注意力机制,实现各输出特征图之间的连接。
19、以上基于边缘计算的玉珠表面缺陷检测方法,还包括步骤e、搭建玉珠表面缺陷检测平台。
20、有益效果:
21、本专利技术基于边缘计算的玉珠表面缺陷检测方法,首先构建了玉珠图像数据集,然后设计了cagn神经网络,在ghostnet网络模型基础上添加ca注意力机制,将通道注意力分解为垂直方向和水平方向的特征编码过程,然后将玉珠表面缺陷位置数据从具有不同缺陷方向的两个方向图中编码为两个缺陷关注图,与原始模型ghostnet相比,提高了精确度,且更适配玉珠表面缺陷检测的研究,再构建了cagn-yolov7算法,解决了yolov7模型结构复杂、计算负载大、不易部署的问题,实现了边缘端的实时检测。
本文档来自技高网...【技术保护点】
1.基于边缘计算的玉珠表面缺陷检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于边缘计算的玉珠表面缺陷检测方法,其特征在于,在步骤b中,在步长为1的Ghost瓶颈模块中添加CA注意力机制,添加位置为瓶颈模块的两个Ghost模块之间,实现输出特征图之间的连接;在步长为2的Ghost瓶颈模块之间添加CA注意力机制,实现各输出特征图之间的连接。
3.根据权利要求1或2所述的基于边缘计算的玉珠表面缺陷检测方法,其特征在于,还包括步骤e、搭建玉珠表面缺陷检测平台。
【技术特征摘要】
1.基于边缘计算的玉珠表面缺陷检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于边缘计算的玉珠表面缺陷检测方法,其特征在于,在步骤b中,在步长为1的ghost瓶颈模块中添加ca注意力机制,添加位置为瓶颈模块的两个ghost...
【专利技术属性】
技术研发人员:孙晓明,贺志帅,陈泳吉,耿浩,陈君侠,李世林,赵烟桥,
申请(专利权)人:哈尔滨理工大学,
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。