[发明专利]基于深度迁移学习的烟支缺陷检测方法

说明书

本发明涉及基于深度迁移学习的烟支缺陷检测方法，属于烟支缺陷检测、图像处理技术领域。本发明通过CCD工业相机获取数据集，通过对图像裁剪、压缩、图像标准化等操作生成新的数据集；将数据集按7:3成训练集和测试集；获取VGG19网络模型，改进网络全连接层，将模型全连接层以前的所有网络作为瓶颈层，冻结瓶颈层的权重值并加入新的全连接层从而开始迁移学习；添加二分类Soft Max层进行检测分类、计算准确率、训练保存网络模型；获取并处理待检测烟支图片，调用已训练的网络模型进行预测分类。本发明所提供的基于深度迁移学习的烟支缺陷检测方法，对烟支缺陷检测具有更高的准确性。

技术领域

本发明涉及基于深度迁移学习的烟支缺陷检测方法，属于烟支缺陷检测、图像处理技术领域。

背景技术

我国烟支生产量十分巨大，工业生产对烟支进行包装时，会存在破损、褶皱、黄斑等问题。传统方法处理这类问题是通过工作人员依靠肉眼检查是否有缺陷产品，该方法受到工人专注度制约，导致检测精度低、效率低，烟支缺陷问题以然存在，且所需人工成本高。随着图像处理技术的发展，不少学者提出了新的研究方法进行烟支缺陷检测，2018年肖峙宇采用边缘算子、滤波、分割等方法结合Matlab处理灰度值等过程检测烟支缺陷，最终的检测结果达到84.7％的准确率；2018年杨钰煊采用各种边缘检测方法并结合阈值分割进行烟支瑕疵检测，得到当参数值为0.35的阈值分割图像检测效果最佳；2019年周明等人应用CCD线阵相机和视觉算法结合检测烟支缺陷，最终分类准确率达到90.4％。这些检测方法虽然都取得了不错的检测率，但过程太复杂，无法保证运算的快速性，检测率也仍有一定的上升空间。随着图像处理技术的发展，利用深度学习检测烟支缺陷是一个新的研究方向。

发明内容

本发明提供了基于深度迁移学习的烟支缺陷检测方法，采用冻结瓶颈层权重值，只训练全连接层参数值，以用于解决小样本烟支数据集导致的过拟合问题，提高了小样本烟支数据检测精度。

本发明的技术方案是：基于深度迁移学习的烟支缺陷检测方法，首先获取VGG19网络模型，改进网络模型全连接层，将网络模型全连接层以前的所有网络作为瓶颈层，冻结瓶颈层的权重值并加入新的全连接层从而开始迁移学习；添加二分类Soft Max层进行检测分类、计算准确率、训练保存网络模型；获取并处理待检测烟支图片，调用已训练的网络模型进行预测分类。

作为本发明的进一步方案，所述方法的具体步骤如下：

步骤1、获取正常和缺陷的烟支图像数据集，采用SSD工业相机获取烟支的平展图像数据集，图像的尺寸为4096x800；

步骤2、对获取的烟支数据图像进行预处理；

步骤3、将已经预处理的烟支数据集按7：3划分为训练集和测试集；

步骤4、加载VGG19网络模型，改进其全连接层，将原来的三个全连接层1x1x4096、1x1x4096、1x1x1000改为1x1x4096、1x1x4096、1x1x2，并随机失活部分神经元，网络底层接入Soft Max层进行烟支缺陷分类；

步骤5、VGG19网络各层中的权重值是通过100万张数据集训练得到，将所有卷积层和池化层的每个神经元的权重值，从训练好的VGG19网络中迁移到一个全新的网络的过程称为迁移学习；此步骤是将VGG19网络全连接层以前的卷积层和池化层都划为瓶颈层，冻结瓶颈层的权重值，迁移冻结的权重值到改进的VGG19网络中，并等待加载训练集和测试集开始训练改进VGG19网络中三个全连接层的权重值，形成自己的预训练模型；

步骤6、定义一个优化器Adam，，用来更新学习梯度，并申明网络模型的学习率为0.001，同时设置计算网络模型损失公式和网络模型准确率计算公式；网络模型采用交叉熵损失函数：

其中：是预测输出值，y是真实输出值；