[发明专利]一种对磁路材料表面缺陷进行检测的方法

说明书

本发明公开了一种对磁路材料表面缺陷进行检测的方法，其包括如下步骤：收集训练图片；进行人工标注；将训练图和标注图用设计的卷积神经网络进行训练；输入相机采集的磁路未标注图像得到预测结果；根据预设阈值融合生成检测结果。本发明提供的方法能够对磁路产品表面的缺陷形态进行自我学习并优化网络模型，克服了产品缺陷形态随机，纹理复杂，对比度低等干扰因素带来的诸多不利影响，尤其是在少量样本输入的条件下，采用数据增强也能获得优秀的网络模型，从而提高缺陷识别率，另外，本发明方法的数据处理速度至少与现有机器视觉算法相当，且准确率与良率远超现有机器视觉算法，能够显著提高磁路产品的出厂质量。

技术领域

本发明涉及一种磁路材料的检测方法，具体涉及一种基于深度学习算法对磁路材料表面缺陷进行检测的方法。

背景技术

磁路主要作为3C行业中手机扬声器的组成材料。磁路在生产过程中的质量直接影响到扬声器声学性能。通常情况下，由于磁路表面会出现裂纹、脏污、杂质及外观缺失等缺陷，传统生产线中都是采用人工在线判断，但人工也由于疲劳、人眼的限制等导致产品良率下降，影响出货品质，达不到最终用户要求。

近年来，部分系统集成商采用机器视觉的方法对磁路表面缺陷进行检测，首先通过特殊光路对磁路表面缺陷进行成像，获取产品表面的缺陷信息，再使用形态学处理、几何分析、傅立叶变换、模板匹配等常规机器视觉算法对缺陷信息进行分析，从而判断缺陷是否存在。由于磁路表面纹理复杂，表面缺陷形态非常随机，对比度低，同时生产线上磁路成像的稳定性也很难保证，现有的机器视觉算法在分析缺陷的过程中存在很大局限性，漏判率和误判率很高，很难达到实际生产要求。而且现有的机器视觉算法在面对随机出现的各种缺陷时，需要不断的调整和优化算法，适应性非常差，同时也会导致时间的浪费。

发明内容

本发明的主要目的在于提供一种对磁路材料表面缺陷进行检测的方法，以克服现有技术的不足。

为实现前述发明目的，本发明采用的技术方案包括：

本发明实施例提供了一种对磁路材料表面缺陷进行检测的方法，其包括如下步骤：

(1)收集训练图片作为训练样本，所述训练图片包括无缺陷样品图片和缺陷样品图片；

(2)至少对缺陷样品图片中示出的缺陷进行像素级的分类标注；

(3)对训练样本和步骤(2)生成的标注样本进行变换生成新的训练样本，实现训练样本增强，之后以原始的训练样本和新生成的训练样本作为输入数据，步骤(2)生成的标注样本经过二值处理生成的N张特征图作为参考输出，输入到卷积神经网络中进行训练，通过多次迭代达到稳定收敛的准确率为止，其中N＝(缺陷的种类数量+1)；

(4)保存步骤(3)生成的训练好的网络模型，对输入的未标注图像进行预测，每一未标注图像经预测生成N张特征图，该N张特征图中每个像素代表在原图中该像素位置上的特征属于(N-1)种缺陷中的一种的概率得分；

(5)对步骤(4)生成的N张概率得分图进行处理，设置每种缺陷的概率得分阈值，生成聚类索引图，进而用blob提取方法，按索引区域标签提取出缺陷所在位置。

进一步地，在所述的步骤(1)中，收集的无缺陷样品图片与具有不同缺陷的缺陷样品图片的数量相当。

进一步地，所述的步骤(2)包括：对无缺陷样品图片和缺陷样品图片均予以标注，其中，无缺陷样品图像标注保存为像素全为黑色的且与原图大小相同的图片，缺陷样品图像标注以不同颜色代表不同缺陷类型，按像素区域标记出缺陷位置，生成的标注图像为除标注区域有颜色之外，其他部分都为黑色的图片。

进一步地，所述的步骤(3)包括：在每轮训练时对训练样本和步骤(2)生成的标注样本进行图像的尺度变换。

进一步地，在步骤(3)中，所述的变换包括旋转、缩放、镜像、错切中的任意一种或两种以上的组合。