[发明专利]基于卷积神经网络的磁芯表面裂纹检测的确定系统及方法

说明书

本发明公开了基于卷积神经网络的磁芯表面裂纹检测的确定系统及方法，无须手工提取裂纹的形状、颜色、分布等特征，只需要提供尽量多的磁芯上表面裂纹的图片，将这些裂纹进行标注，输入到卷积神经网络，该网络能够自动学习裂纹的特征并形成具有泛化能力的检测模型，从而检测出磁芯表面的是否存在裂纹，如果存在将裂纹使用红色进行逐像素进行标注，能够达到99%+的准确率，同时漏检率极低。本发明应用于图像识别的技术领域。

技术领域

本发明涉及图像识别的技术领域，特别涉及基于卷积神经网络的磁芯表面裂纹检测的确定系统及方法。

背景技术

工业领域会大量使用磁芯（铁氧体）生产各种电子设备的线圈和变压器，使用基数庞大，涉及领域通常需要保证磁芯所用的电子器件稳定、持久，如果磁芯有表面裂纹，后续的使用中会因为震动等原因使裂纹扩大造成电子器件故障，所以对磁芯质量的要求严苛，必须保证磁芯不能出现影响使用的表面裂纹。

目前深度学习技术（卷积神经网络是深度学习技术的一种）近两三年来在学术界、工业界都取得了巨大的成就，各大互联网巨头谷歌(Google)、 微软(Microsoft)、脸谱(Facebook)、阿里巴巴、百度等相继成立深度学习研究机构，以解决在图像、语音、文字等领域的各类问题。然而深度学习技术在磁芯表面裂纹检测方面的研究尚未有成果。

磁芯体积通常很小，裂纹形状不规则，同时存在很多极细的、人眼很难直接观测到的裂纹，对于人工检测的难度极大、检测的准确率很低。近几年机器视觉检测磁芯表面裂纹系统问世，目的是辅助人工检测磁芯表面裂纹， 提升检测准确率。这类利用传统机器视觉算法进行磁芯表面裂纹检测的系统，大多数是利用类似于专家决策系统的图像识别算法进行裂纹识别，需要预先手工提取裂纹的形状、颜色、分布等特征。但由于磁芯表面裂纹的形状具有不确定性、分布的离散性，同时磁芯表面凹凸不平、颜色斑杂，这类检测方法无法适应这种复杂的检测，漏检率很高，准确率很低，只有30%~60%。

发明内容

本发明所要解决的技术问题是克服现有技术的不足，提供了一种基于卷积神经网络的磁芯表面裂纹检测模型的确定系统及方法，以解决现有技术所存在的基于类似于专家决策系统的图像识别算法识别磁芯表面裂纹准确率低的问题。

本发明所采用的技术方案是：本发明提供的一种基于卷积神经网络的磁芯表面裂纹检测的确定系统，它包括：

图像信息获取单元：用于获取磁芯表面裂纹图像信息作为训练集及交叉验证集；

卷积神经网络配置单元：用于调整卷积神经网络每层神经元的个数，利用所述训练集对调整后的多个不同卷积神经网络分別进行训练，确定多个不同结构的卷积神经网络的参数；

最优磁芯表面裂纹检测模型确定单元：用于将所述交叉验证集分别输入所述多个不同结构卷积神经网络，将磁芯表面裂纹检测结果准确率最高的卷积神经网络作为最优模型；

第二图像信息获取单元，用于获取磁芯表面裂纹图像信息作为测试集；

测试单元，用于将所述测试集输入最优磁芯表面裂纹检测模型，得到测试集中各测试样本的磁芯表面裂纹检测结果，统计磁芯表面裂纹检测结果的准确性。

优选的，所述卷积神经网络的结构包括：输入层、第一卷积层、第二卷积层、.....、第二十四卷积层、第一池化层、第二池化层、.....、第二十四池化层及全连接输出层；

所述输入层，用于输入磁芯表面裂纹图像信息；

所述第一卷积层，用于将预先训练好的第一层卷积核与输入层输入的磁芯表面裂纹图像信息进行卷积运算得到第一卷积特征图；

所述第一池化层，用于对第一卷积层输出的第一卷积特征图进行采样，得到采样区域的第一层特征平均值；