[发明专利]一种基于深度学习的磁芯表面缺陷的检测方法

说明书

本方法公开一种基于深度学习的磁芯表面缺陷的检测方法，首先采集磁芯所有的正反面图像，进行预处理，对其缺陷部位进行提取，输入经高斯混合模型改进的深度卷积生成对抗网络，将提取的缺陷集通过训练生成新的缺陷图像，再将得到的新图像与完好的磁芯图像进行泊松融合，然后制作成标准的数据集，划分训练集和验证集。接着将训练集图像输入YOLO‑v3神经网络中进行训练，提出一种新的训练策略，设置训练参数，并将完成训练的网络作为磁芯表面缺陷检测模型，从而识别出磁芯的类别信息和位置信息。本发明的方法识别更快、更准确。

技术领域

本发明涉及计算机视觉领域，具体涉及一种基于深度学习的磁芯表面缺陷的检测方法。

背景技术

随着社会的不断发展，工业自动化的程度也越来越高，然而在提高生产效率的同时，产品存在的缺陷问题也依旧困扰着许多制造商。而且，存在质量问题的产品流入市场，可能会更大的经济损失和安全威胁。目前大多数厂商任然采用人工质检的方法检测产品缺陷，这样做极大的浪费了人力资源，还存在漏检、误检的情况。为了改善人工之间存在的问题，加快检测时间和检测准确率，在生产线质量检测环节采用机器视觉、模式识别等智能检测方式来替代人工检测的方法已经成为工业发展的趋势。

电子元器件在日常生活中的应用场合越来越多，比如人们生活中的手机、冰箱、空调等，其中一种重要的电子元器件就是磁芯。面对如此多的需求，生产厂商必须在生产加工过程中对缺陷产品进行严格的把控和检测，由于生产加工的缺陷和运输过程中的摩擦、碰撞现象，造成磁芯表面出现各种缺陷，严重影响质量。

发明内容

针对现有的磁芯缺陷检测质量低，漏检、误检多的现状，本发明提出一种基于深度学习的磁芯表面缺陷的检测方法，具体技术方案如下：

一种基于深度学习的磁芯表面缺陷的检测方法，该方法具体包括如下步骤：

S1：采集所有磁芯的正反面图像，并进行预处理，提升图片中缺陷部分的对比度；然后将图片中的缺陷部位提取出来，转成64*64大小的图片，形成图像集合X＝{x₁，x₂，x₃…x_n}，n为图像的数量；

S2：将图像集合X通过引入高斯混合模型优化后的深度卷积对抗生成网络进行训练，建立图像生成网络G和判别网络D，对图像生成网络G参数θ_g和判别网络D的参数θ_d进行训练，生成新的缺陷图像；

S3：将S2生成的新的缺陷图像与无缺陷的完整磁芯图像相融合，得到带有若干缺陷的融合后磁芯图像；

S4：将S3得到的融合后磁芯图像与S1中采集的磁芯的正反面图像混合，形成扩增数据集，并对数据集中的图像标注磁芯在图像中的位置和图像中的缺陷种类，然后将数据集划分为训练集和验证集；

S5：采用所述训练集对YOLO-v3网络模型进行训练，得到优化的YOLO-v3网络模型，作为磁芯表面缺陷检测模型；

S6：将待检测的磁芯图像输入磁芯表面缺陷检测模型中，模型输出待检测的磁芯图像中的缺陷的类别和位置信息。

进一步地，所述S2具体包括如下子步骤：

S2.1：随机生成均匀噪声，一种噪声对应磁芯的一类缺陷，噪声各维均值μ＝{μ₁，μ₂，μ₃…μ_K}，噪声间协方差对角矩阵σ＝[σ_j1，σ_j2，σ_j3…σ_jK]，通过均值μ和协方差对角矩阵σ构建高斯混合模型；

所述高斯混合模型的概率密度函数如下：