[发明专利]一种基于卷积神经网络的五金件缺陷分割方法及系统

说明书

本发明实施例公开了一种基于卷积神经网络的五金件缺陷分割方法及系统，该方法包括：构建卷积神经网络初始模型；将训练集中的五金件缺陷图像输入到卷积神经网络初始模型中进行训练，以获得卷积神经网络最终模型；将测试集中的五金件缺陷图像输入到卷积神经网络最终模型中，完成对高维卷积特征的提取将高维卷积特征映射为设定大小和长宽比的包围盒，再将包围盒转换为特征向量，根据转换公式获得缺陷包围盒的中心坐标和长宽；根据缺陷包围盒的中心坐标和长宽，提取出缺陷区域的特征，实现缺陷分割。基于上述方法及系统，与现有技术相比，其无须人工地选取和描述特征，避免了人工分割存在的低效率、不稳定、计算量大、自动化程度低等问题的发生。

技术领域

本发明实施例涉及图像处理中的视觉检测领域，尤其涉及一种基于卷积神经网络的五金件缺陷分割方法及系统。

背景技术

机器视觉又称计算机视觉，是研究使用相机以及计算机分别模仿人眼和大脑，以便用机器代替人做检测和判断，完成目标识别及工业检测等任务的科学。机器视觉技术是集合了数字图像处理、人工智能、计算机图形学等多学科的一门应用型技术学科，在自动化生产中应用广泛。近年来，计算机技术的进步和神经网络理论的不断完善推动了计算机视觉的快速发展。我国机器视觉行业迅速发展，在自动化生产检测领域中占据十分重要的地位。

由于五金件具有易于成型、质量轻、材料易于获得、适合大批量生产等优点，在家电、机械、化工、航空等领域运用十分广泛。随着五金件的应用越来越广，快速成型加工技术的发展越来越快，人们对五金件的质量的要求也越来越高。五金件的质量主要有尺寸、外观等方面的要求。外观是保证五金件质量的一个重要环节，而实际生产中通常采用人工检测的方式进行。人工检测方式效率低下、自动化程度不高，其准确率往往与检测人员的工作经验和态度有关。目前，五金件产品生产企业越来越注重提高生产自动化水平，对生产效率的要求越来越高，人工检测方式越来越不能满足需求。此外，在生产加工过程中，由于原料物性参数变化、工艺参数不合理及加工机械性能不良等因素，五金制品会出现碰伤、砂眼、刮伤、缺料、变形、麻点、油污等等表面缺陷。这些表面缺陷不仅会破坏五金制品的外观，而且会影响其性能导致无法使用。当前五金制品的表面缺陷检测与识别主要以人工方式为主，效率不高、自动化程度低。

发明内容

本发明提供一种基于卷积神经网络的五金件缺陷分割方法及系统，以解决现有技术的不足。

为达到此目的，本发明采用以下技术方案：

第一方面，本发明实施例提供了一种基于卷积神经网络的五金件缺陷分割方法，包括：

构建卷积神经网络初始模型；

将训练集中的五金件缺陷图像输入到卷积神经网络初始模型中进行训练，以获得卷积神经网络最终模型；

将测试集中的五金件缺陷图像输入到卷积神经网络最终模型中，完成对高维卷积特征的提取；

将高维卷积特征映射为设定大小和长宽比的包围盒，再将包围盒转换为特征向量，根据转换公式获得缺陷包围盒的中心坐标和长宽；

根据缺陷包围盒的中心坐标和长宽，提取出缺陷区域的特征，实现缺陷分割。

进一步地，上述方法中，所述构建卷积神经网络初始模型包括：

构建包括输入层、卷积层、激励层和池化层的卷积神经网络初始模型，所述输入层、卷积层、激励层和池化层依次设置，所述卷积层和激励层均为多个，并且交替设置。

进一步地，上述方法中，在将训练集中的五金件缺陷图像输入到卷积神经网络初始模型中进行训练，以获得卷积神经网络最终模型之前，还包括：

将五金件缺陷图像分为两大类，即训练集和测试集，所述训练集占五金件缺陷图像总数的70％，所述测试集占五金件缺陷图像总数的30％；