[发明专利]一种基于深度学习的铝材表面缺陷检测算法

摘要

本发明涉及一种基于深度学习的铝材表面缺陷检测算法，包括：(1)利用摄像头对铝材表面进行拍摄，获取相关数据集并用labelImg工具对图像进行标注，获取标签信息；(2)将图像划分成训练集和测试集，并对训练集进行数据增强；(3)每次同时输入一张有缺陷图像和无缺陷图像及有缺陷图像的标签信息到网络中进行模型训练；(4)将测试图像输入到训练好的铝材表面缺陷检测模型，获取缺陷的位置和对应的类别。本发明的方法可以有效利用有缺陷图像和无缺陷图像，提高模型的泛化能力和检测精度，通过充分利用候选区域周围的上下文信息进一步提高检测性能，利用软的非极大值抑制算法可以提高对密集小缺陷的检测性能，是一种高效的铝材表面缺陷检测算法。

主权项

1.一种基于深度学习的铝材表面缺陷检测算法，其特征在于包括如下步骤：(1)图像采集，利用摄像头对铝材表面进行拍摄，获取相关的图像并对图像重命名，如1.jpg，2.jpg，3.jpg，…，M.jpg等，采用labelImg工具对拍摄的图像进行标注，获取图像中关于缺陷的标签，缺陷的标签包含了缺陷在图像中左上角的坐标(x1，y1)，右下角的坐标(x2，y2)和缺陷的类别defectN，其中N表示数字，如1，2，3，…等，特别的，如果拍摄的图像中没有缺陷，我们不会用labelImg进行处理，只记录其类别信息norm；(2)图像划分，将图像划分成训练集和测试集两部分，两个部分不存在相同的图像，训练集用来训练检测模型，测试集用来评估检测模型的性能；(3)图像预处理，包括随机上下翻转、随机左右翻转和随机光照改变等，其中随机上下翻转、随机左右翻转和随机光照改变只针对训练集，特别的，当进行随机上下翻转和随机左右翻转的时候，缺陷的坐标信息也需要做出相应的变化；(4)训练检测模型，将经过图像预处理后的训练集中的图像和标签信息输入到铝材表面缺陷检测模型中进行训练，特别的每次同时输入一张有缺陷的图像和一张无缺陷的图像，获取各图像中缺陷的预测框和类别，并与实际的标签信息中的真实框和类别进行对比，计算出定位误差和分类误差，然后采用多学习任务的方法，利用带动量的梯度下降算法进行训练；(5)检测铝材图像，将测试集中的图像输入到训练好的铝材表面缺陷检测模型中进行检测，获得铝材图像中缺陷的位置和类型。