[发明专利]一种基于深度学习的工件表面缺陷检测方法

说明书

本发明公开了一种基于深度学习的工件表面缺陷检测方法，利用深度学习技术，构建了工件表面缺陷检测系统，目的在于解决传统方法中人力开销大、系统效率低、适应性差的缺点，能够在生产环境下对工件表面缺陷进行快速识别、反馈，保证了系统的准确度与效率。系统通过图像采集装置对工件表面进行图像捕获，经由捕获终端预处理后，上传至处理计算机。处理计算机将调用基于深度神经网络模型的预测器对图像进行识别，并输出预测向量。最后，处理中心将预测向量发布到显示终端，使得工件表面缺陷状态得到直观展示。

技术领域

本发明涉及机器视觉与检测技术领域，具体涉及一种基于深度学习的工件表面缺陷检测方法。

背景技术

质量控制是产业升级的重要一环。以工件缺陷检测为例，目前，许多厂家仍以人力为主导，这种方式不仅效率低下、而且提高了人力成本。秉着制造信息化的导向，以机器视觉代替人眼视觉以参与产品质量控制已成为当今制造业的发展趋势，而目前也有一些厂商开始尝试采取传统的机器视觉方案。目前已经应用的技术方案主有基于背景建模的前景检测算法和基于支持向量机的学习算法。其中，基于背景建模的前景检测算法效率依赖于捕获图像尺度，即运算量与输入尺度呈现出幂次增长的关系，当捕获图像的分辨率提高往往造成系统效率急剧下降；基于支持向量机的学习算法相比于基于背景建模的前景检测算法表现出系统效率方面的提升，但由于支持向量机的空间消耗主要用于存储训练样本和核矩阵，当矩阵阶数(与输入样本数有关)很大时将耗费大量的存储空间及机器内存。另外，支持向量机解决多分类问题较为困难。

近年来深度神经网络(深度学习)随着商业化的巨大成功而迎来了发展的井喷期。其于智能化行业中被广泛应用，为人类社会带来巨大的经济效益。卷积神经网络(Convolutional Neural Networks,CNN)作为深度神经网络的典型,相比于传统算法，对于复杂特征拥有更好的提取能力，被广泛应用于机器视觉与图像处理等领域。其相比于传统机器视觉算法，若参数优化得当，拥有更好的适应性与准确度，且系统效率大幅提升。而相比于基于支持向量机的学习算法，其计算存储开销小、可用于解决多分类问题。因此，有必要开发一种基于深度学习的高效、准确的工件缺陷检测技术，应用于质量控制环节。

发明内容

发明目的：为了解决上述背景技术中存在的问题，本发明利用深度学习技术，构建了工件表面缺陷检测系统，解决传统方法中人力开销大、系统效率低、适应性差的缺点，能够在生产环境下对工件表面缺陷进行快速识别、反馈，保证了系统的准确度与效率。技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于深度学习的工件表面缺陷检测方法，包括以下具体步骤：

步骤1、采用多组摄像头与光照源构建基于多目视觉的图像采集系统，捕捉工件在不用角度下的图像；

步骤2、构建分布式图像处理系统；采用管道监听机制，处理计算机维护特定的消息管道，捕获终端监听该管道；每次图像采集时捕获终端将对采集到的图像进行批量预处理，随后上传至数据库；利用持久化机制，处理计算机能够将预处理后的图片保存至本地以作为分类器的输入；

步骤3、采集训练样本；将准备好的、已标注的含部分缺陷的工件放入采集系统，进行训练数据采集；按照8：2的比例设置训练与验证集合，并设置标签；

步骤4、构建深度学习模型；基于卷积神经网络构建包含卷积层和全连接层的网络模型，层与层之间复合了池化、正则化、归一化模块、用于优化特征提取、提高非线性度；

步骤5、构建预测器程序框架；采用Tensorflow API构建检测系统框架；基于工厂模式构建程序逻辑，便于系统软件的升级、扩展与优化；

步骤6、将待检测工件放置于图像采集系统内，并运行预测器程序；在线运行时，预测器程序接口将接收已预处理的工件捕获图像作为输入；随后调用已训练好的静态模型输出预测向量；