[发明专利]一种基于多层卷积神经网络的相机外壳喷漆检测系统和方法

说明书

本发明公开了一种基于多层卷积神经网络的相机外壳喷漆检测系统，属于神经网络图像处理领域；所述的检测系统包括数据收集模块、图像判定模块、通知显示模块、预处理模块、模型构造模块和模型训练模块；预处理模块将数据收集模块收集的生产线上产品的图像处理成数据集；模型训练模块将数据集输入到构造的图像识别模型内，使用梯度下降训练得到成熟模型后，图像判定模块再将数据集输入到成熟的图像识别模型内，进行图像判定后将结果通过显示模块进行显示输出；本发明系统中构造的五层卷积神经网络和三层全连接网络的识别模型能够实现智能预测生产线上产品加工是否合格，发明系统相比于传统VGG16等网络模型，卷积层较少，因此参数较少，训练时更容易拟合。

技术领域

本发明公开一种基于多层卷积神经网络的相机外壳喷漆检测系统和方法，涉及神经网络图像处理技术领域。

背景技术

在传统生产线中，流水式加工作业，多需要人工对产品的外形进行检验，查看产品的加工是否合格，对于不合格的产品需要进行人工处理后重新检验，在人工检验这一过程中消耗大量人力和时间，和流水线的生产生产效率严重不符，如果把人工检验产品是否合格这一过程利用基于卷积神经网络的检测模型代替人工检测，会加大生产效率，提高生产质量，进而实现生产线产品的智能检验。该模型使用专门设计的多层卷积神经网络来实现，该网络相比传统神经网络使用了五层卷积和三层全连接，减少了参数量；使用dropout技术和batnormal技术避免了网络出现过拟合、梯度爆炸和梯度消失等问题。

发明内容

本发明针对现有技术的问题，提供一种基于多层卷积神经网络的相机外壳喷漆检测系统，所采用的技术方案为:一种基于多层卷积神经网络的相机外壳喷漆检测系统，所述的检修系统包括数据收集模块、模型构造模块、模型训练模块、图像判定模块和显示通知模块；

数据收集模块：对采集相机外壳喷漆的图像数据进行采集；

模型构造模块利用卷积神经网络构造图像识别模型：第一层由卷积层、LEAKY_RELU激活函数和池化层组成，第二层由卷积层、LEAKY_RELU激活函数和池化层组成，第三层由same卷积层和LEAKY_RELU激活函数组成，第四层由same卷积层和LEAKY_RELU激活函数组成，第五层由same卷积层和LEAKY_RELU激活函数组成，第六层由神经元构成的全连接层组成，第七层由神经元构成的全连接层组成，第八层由神经元构成的全连接层组成；

模型训练模块：将数据收集模块收集的图像数据传入至模型构造模块构造的图像识别模型内进行识别训练，得到图像识别模型的成熟模型；

图像判定模块：将图像数据传入成熟模型内进行图像判定；

显示通知模块：将判定结果进行显示输出。

所述数据收集模块将采集的图像数据通过预处理模块处理成数据集，传至图像识别模型内。

所述预处理模块对图像数据进行降噪、归一化和灰度化的预处理。

所述模型训练模块按照留出法进行模型训练。

所述模型训练模块使用留出法将数据集分为训练集和测试集，训练集用于训练，使用梯度下降训练根据在测试集上的效果选择成熟模型。

一种基于多层卷积神经网络的相机外壳喷漆检测方法，其特征是步骤如下：

S1采集相机外壳喷漆的图像数据；

S2由卷积神经网络构造图像识别模型：第一层由卷积层、LEAKY_RELU激活函数和池化层组成，第二层由卷积层、LEAKY_RELU激活函数和池化层组成，第三层由same卷积层和LEAKY_RELU激活函数组成，第四层由same卷积层和LEAKY_RELU激活函数组成，第五层由same卷积层和LEAKY_RELU激活函数组成，第六层由神经元构成的全连接层组成，第七层由神经元构成的全连接层组成，第八层由神经元构成的全连接层组成；