[发明专利]卷积神经网络模型训练方法、加工件缺陷检测方法及装置

说明书

本发明实施例公开了一种卷积神经网络模型训练方法、加工件缺陷检测方法及装置，所述卷积神经网络模型训练方法包括：收集原始图像数据集；对原始图像数据集进行数据增强；对数据集图像进行归一化处理后输入神经网络；对输入神经网络的图像进行如下处理：第一层卷积，批归一化，ReLU激活，第一层池化，第二层卷积，批归一化，ReLU激活，第二层池化，第三层卷积，批归一化，ReLU激活，第三层池化，第一全连接层，第二全连接层，第三全连接层，最后通过softmax进行分类。采用本发明实施例提供的卷积神经网络模型进行加工件缺陷检测，加工件缺陷的识别率、检测效率更高，且减少了检测工人的数量，降低了加工件缺陷检测成本。

技术领域

本发明涉及加工件缺陷检测技术领域，尤其涉及一种卷积神经网络模型训练方法、加工件缺陷检测方法及装置。

背景技术

当前自动化流水线上生产出的加工件，基本都是依靠工人在现场实时的检测，这种方法不仅工作强度大、效率较低，对工人的专业性有要求，人力成本高，并且工厂实际环境较差，长期处于这种环境，不利于工人的健康。以上问题亟待解决。

发明内容

有鉴于此，本发明的目的在于通过一种卷积神经网络模型训练方法、加工件缺陷检测方法及装置，来解决以上背景技术部分提到的问题。

为达此目的，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卷积神经网络模型训练方法，包括：

收集原始图像数据集；

对所述原始图像数据集进行数据增强；

对数据集图像进行归一化处理后输入神经网络；

训练卷积神经网络模型：对输入神经网络的图像依次进行如下处理：第一层卷积，批归一化(Batch Normalization，BN)，ReLU激活，第一层池化，第二层卷积，批归一化，ReLU激活，第二层池化，第三层卷积，批归一化，ReLU激活，第三层池化，第一全连接层，第二全连接层，第三全连接层，最后通过softmax进行分类。

进一步的，所述对数据集图像进行归一化处理，包括：

采用如下公式对数据集图像进行归一化处理，公式如下：

其中，x_i为图像的像素值，min(x)、max(x)分别是图像的最小和最大像素值。

进一步的，所述训练卷积神经网络模型时，神经网络各层的参数如下：第一卷积层Conv1，其过滤器大小为5*5，步长为1，第一池化层Max pooling1的过滤器大小为2*2，步长为2；第二卷积层Conv2的过滤器大小为5*5，步长为1，第二池化层Max pooling2的过滤器大小为2*2，步长为2；第三卷积层Conv3的过滤器大小为5*5，步长为1，第三池化层Maxpooling3的过滤器大小为2*2，步长为2；第一全连接层节点数：512；第二全连接层节点数：256；第三全连接层节点数：2。

进一步的，所述卷积神经网络模型训练方法还包括：对训练出的卷积神经网络模型进行量化，将其从32bit转化为8bit后部署在嵌入式开发板中。

第二方面，本发明实施例还提供了一种基于卷积神经网络的加工件缺陷检测方法，包括：

采集加工件的图像；

对所述加工件的图像进行预处理，并将预处理后的数据输出给卷积神经网络模型；

利用所述卷积神经网络模型对输入的图像进行加工件缺陷检测；

输出加工件缺陷检测结果；

其中，所述卷积神经网络模型的训练方法包括：

收集原始图像数据集；