[发明专利]一种基于深度学习的工件表面缺陷检测方法

摘要

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。

主权项

1.一种基于深度学习的工件表面缺陷检测方法，其特征在于：包括以下步骤：/n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；/n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；/n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；/n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；/n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；/n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；/n步骤7、预测器将预测向量消息通过预先设定的频道发布到显示终端；显示终端将根据预测向量自动标识出工件缺陷所在位置。/n