[发明专利]一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备

说明书

本发明提供了一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备，通过USB数据线将计算机与高清摄像头进行连接，工作人员通过操作计算机中安装的计算机瑕疵图像识别系统下发控制命令，控制高清摄像头对传送带上的铝材进行拍照，得到图像数据，并将图像数据传输回计算机瑕疵图像识别系统；计算机瑕疵图像识别系统，该系统调用深度学习框架Pytorch将图像数据转换为张量数据，并采用基于Inception模型的卷积神经网络对张量数据进行计算，最终将得分最高的类别进行输出，该得分最高的类别即为识别出的瑕疵图像。本发明的有益效果是：减轻铝型材生产过程中的瑕疵检测方面的人力成本，提高瑕疵识别速率，保证铝型材的生产质量。

技术领域

本发明涉及自动化图像处理铝材瑕疵技术领域，尤其涉及一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备。

背景技术

在铝型材的实际生产过程中，由于各方面因素的影响，铝型材表面会产生裂纹、起皮、划伤、擦花、不导电、角位露底、桔皮、露底、漆泡、起坑等十种常见瑕疵，这些瑕疵会严重影响铝型材的质量。为保证产品质量，需要人工进行肉眼目测。然而，铝型材的表面自身会含有纹路，与瑕疵的区分度不高。传统人工肉眼检查十分费力，不能及时准确的判断出表面瑕疵，质检的效率难以把控。自2012年来，深度学习在图像识别等领域取得了突飞猛进的成果。本发明核心算法即为Google公司开发的Inception卷积神经网络模型。通过卷积神经网络完成对铝材图像的自动瑕疵识别，极大提高了铝材生产环节中检测的工作效率，大大减小生产企业人力成本，加速生产过程自动化。基于此设备，铝材生产的质检环节有了保障，也减少人力在实际生产过程中的干预和误检。

发明内容

为了解决上述问题，本发明提供了一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备，包括：

计算机，固定于铝材传送带旁，通过USB数据线与高清摄像头进行连接，用于安装、训练和运行计算机瑕疵图像识别系统；

USB数据线，连接高清摄像头与计算机，用来传输图像数据；

高清摄像头，在实际生产车间被安装于传送带上，工作人员通过操作计算机瑕疵图像识别系统下发控制命令，控制高清摄像头对传送带上的铝材进行拍照，得到图像数据，并将所述图像数据传输回计算机瑕疵图像识别系统；

计算机瑕疵图像识别系统，该系统调用深度学习框架Pytorch将所述图像数据转换为张量数据，并采用基于Inception模型的卷积神经网络对所述张量数据进行计算得到高维向量，该高维向量中的每一维对应的数值分别表示属于每一类别的概率，最终将概率最高的数值对应的类别进行输出；若无瑕疵类别的概率最高时，该设备不输出，若设备输出，则输出的类别即为识别出的瑕疵图像。

进一步地，计算机瑕疵图像识别系统，采用的是基于Inception模型的卷积神经网络算法，通过大量铝材瑕疵图片的训练增加Inception模型的泛化能力，提高Inception模型识别铝材瑕疵的正确率。

进一步地，所述类别包括：裂纹、起皮、划伤、擦花、不导电、角位露底、桔皮、露底、漆泡，起坑和无瑕疵。

进一步地，计算机瑕疵图像识别系统调将张量数据传入训练好的Inception模型进行计算，最后通过卷积神经网络的softmax层计算每一类别的概率并选择概率最高的类别进行输出。

进一步地，所述高清摄像头为720p高清摄像头，拍摄图像分辨率为1024*768。

进一步地，所述计算机的GPU为Nvidia Geforce 10系列图像处理单元。

本发明提供的技术方案带来的有益效果是：减轻铝型材生产过程中的瑕疵检测方面的人力成本，提高瑕疵识别速率，保证铝型材的生产质量。

附图说明