[发明专利]一种基于深度卷积神经网络的金属板带表面缺陷检测系统

说明书

技术领域

本发明涉及机器视觉技术领域，特别是指一种基于深度卷积神经网络的金属板带表面缺陷检测系统。

背景技术

金属板带是汽车、机械制造、化工、航空航天和造船等行业不可缺少的原材料。金属板带表面缺陷是指金属板带在生产加工的过程中，由于工艺或其它各种原因致使金属板带表面局部区域物理或化学性质不均匀。常见的金属板带表面缺陷有辊印、污渍、划痕、孔洞、漏涂、凹陷、气泡、异物、剥落等。表面缺陷是原子活性较高的部位，常常成为金属腐蚀的始发处，表面缺陷的存在会大大降低零件的抗疲劳强度，有损零件表面的质量，影响机器、仪器的使用性能和寿命，影响其最终产品的性能和质量。因此及时检测金属板带表面缺陷，对缺陷进行严重程度评价，对于提高表面质量和产品经济效益有着重要意义。

随着我国工业化水平的不断发展，对金属板带表面质量的要求也越来越高，如何快速准确地检测出表面缺陷成为金属板带轧制过程中非常关键的一个环节。现有的表面缺陷检测系统均采用传统的模式识别或机器学习方法，在工业相机获取金属板带表面图片后，对图片进行预处理，接着对预处理后的图片需要人为设计特征提取算法提取特征；由于具体图像的处理方法和特征提取方法不同，特定方法可能只对某几种特定的缺陷分类效果较好，对其他种类的缺陷分类效果较差，且其过程繁琐，因此传统方法对图片的处理速度较慢，无法满足工业现场在线检测的实时性要求。

发明内容

本发明要解决的技术问题是提供一种基于深度卷积神经网络的金属板带表面缺陷检测系统，以解决现有技术所存在的无法满足工业现场在线检测的准确性和实时性要求的问题。

为解决上述技术问题，本发明实施例提供一种基于深度卷积神经网络的金属板带表面缺陷检测系统，包括：相机、用于安装所述相机的安装架及处理器模块；其中，

所述安装架，横跨于工业现场传送带之上；

所述相机，安装在所述安装架上，用于实时采集传送带上金属板带的表面图像；

所述处理器模块，用于采用深度卷积神经网络算法，对实时采集的金属板带的表面图像进行缺陷识别。

进一步地，所述相机为工业CCD相机。

进一步地，所述系统还包括：上位机；

所述处理器模块，用于将识别结果通过通信线缆上传至上位机；

所述上位机，用于对接收到的识别结果进行展示。

进一步地，深度卷积神经网络的结构包括：输入层、与所述输入层连接的卷积层、与所述卷积层连接的池化层及所述池化层连接的全连接层。

进一步地，所述输入层，用于输入实时采集的金属板带的表面图像，对于输入的每张图像，在深度方向上的某个层，对应着多个神经元，每个神经元各自分别对应于相应图像中的某一个局部区域，提取各局部区域的特征，并根据提取的各局部区域的特征组成局部区域数据矩阵，同时将神经元的权重组成权值矩阵；

所述输入层，还用于将所述局部区域数据矩阵和权值矩阵输出至所述卷积层。

进一步地，神经元的权重表现为卷积和的形式。

进一步地，所述卷积层，用于将所述输入层输出的所述局部区域数据矩阵和权值矩阵进行点积运算，得到图像各局部区域的特征激活值，其中，得到的各局部区域的特征激活值为特征激活值矩阵；

所述卷积层，还用于将得到的特征激活值矩阵输出至所述池化层。

进一步地，所述池化层，用于选取m维权值矩阵对接收到特征激活值矩阵进行每个局部区域的平均值或最大值求解，得出代表相应局部区域的特征值，其中，所述特征值为：求解后得到的映射到隐藏空间的平均值或最大值。

进一步地，所述全连接层，用于将所述池化层映射到隐藏空间的特征值进行分类，并去除分类过程中冗余的计算结果，输出最终的识别结果。

本发明的上述技术方案的有益效果如下：

上述方案中，通过安装在安装架上的相机实时采集传送带上金属板带的表面图像；并通过处理器模块采用深度卷积神经网络算法，对实时采集的金属板带的表面图像进行缺陷识别。对于金属板带缺陷检测，深度卷积神经网络算法不同于传统的模式识别或机器学习方法，深度卷积网络不需要积累大量的专业知识，且深度卷积网络是由简单模块的多层堆叠，每个模块都是训练学习所得，不需要人为设计特征提取算法提取特征，能够提高金属板带表面缺陷的检测速度。

附图说明

图1为本发明实施例提供的基于深度卷积神经网络的金属板带表面缺陷检测系统的流程示意图；

图2为本发明实施例提供的基于深度卷积神经网络的金属板带表面缺陷检测系统的详细结构示意图。