[发明专利]一种基于深度学习的磁瓦表面缺陷检测方法

说明书

本发明涉及一种基于深度学习的磁瓦表面缺陷检测方法，包括如下步骤：对训练样本数据集及检测样本数据集中的每一幅原始磁瓦表面缺陷图像进行数据增强变换处理，以得到扩大的训练样本数据集及检测样本数据集；以卷积神经网络为基础建立包含卷积层和全连接层的深度学习模型，其中卷积层包括九个单元，且每个单元均依次由图像卷积层、批归一化层、非线性变换层、图像卷积层、正则化层及特征合并层构成，全连接层依次由批归一化层、非线性变换层、全局平均池化层及缺陷分类层构成；用扩大的训练样本数据集离线训练已建立的深度学习模型，学习最优参数，以得到训练好的深度学习模型；在线检测时将扩大的检测样本数据集输入到已训练好的深度学习模型中，完成缺陷的自动分类识别；分类精度高，特征工程要求低，且泛化性能高。

技术领域

本发明涉及机器视觉检测技术领域，更具体地，涉及一种基于深度学习的磁瓦表面缺陷检测方法。

背景技术

磁瓦是铁氧物永磁材料的主要产品之一，应用于众多领域，是电动机中的重要组成部件。由于磁瓦本身材料和制造过程的特点，在表面很容易破损产生缺陷，这直接影响了磁瓦的正常使用，因此含有缺陷的磁瓦应该在出厂前予以剔除，防止在装入电动机后工作状态下突发损坏，产生恶劣后果。磁瓦表面缺陷的检测一直是厂家十分关心的问题。

经检索，中国专利申请号201610479587.8，申请日为2016年6月24日，发明创造名称为：一种基于改进的机器视觉注意机制的磁瓦表面缺陷检测方法，该申请案采用以下步骤：一、输入磁瓦图像，利用形态学的顶帽和底帽变换相结合的方法，增强图像整体灰度对比度；二、将所得图像均匀分成a*b个图像块，然后利用分块后的图像块的灰度特征量区分缺陷图像块和非缺陷图像块；三、采用改进Itti视觉注意机制模型计算所得缺陷图像块的显著度，选择初级特征用以形成综合显著图；四、选用大津阈值分割算法对综合显著图阈值化，提取缺陷区域。

又如中国专利申请号201310020370.7，申请日为2013年1月18日，发明创造名称为：一种基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法，该申请案首先构造用于表面缺陷特征提取的5尺度、8方向Gabor滤波器组，并对原始图像滤波，得到40幅分量图；提取分量图的灰度均值和方差特征，组成80维特征向量；用PCA主成分法和ICA独立成分法对80维特征向量降维，去除相关和冗余，得到20维特征向量，并对数据归一化处理；采用网格法和K-CV交叉验证法实现SVM参数寻优，基于样本数据离线训练SVM模型；在线检测时，数据经预处理至SVM，实现缺陷的自动分类识别。

又如中国专利申请号201110251473.5，申请日为2011年8月30日，发明创造名称为：一种磁瓦表面缺陷检测系统及其检测方法，该申请案包括由多个相机组成的图像采集模块、图像传输和处理模块以及多个传感器组成的相机触发和计算机中断模块，所述图像采集模块中的相机用于获取磁瓦不同表面图像，所述图像传输和处理模块包括交换机和计算机，所述相机分别与交换机连接，交换机与计算机连接，所述相机触发和计算机中断模块中的传感器用于对磁瓦位置进行检测，并触发相机，所述多个相机与多个传感器对应连接，所述传感器通过I/O接口与计算机连接。

以上三个技术主要采用传统图像模式识别和机器学习算法，但是传统方法存在以下3类不足：1)分类精度不高，难以满足实用要求；2)特征工程要求高，需领域专家长期摸索、反复调试获得，系统开发周期长；3)泛化性能低，改变检测目标或环境，需重新设计系统和算法，难以现代化生产作业的需要。由于传统方法本身存在的局限，导致实用性较差，目前很多生产磁瓦的厂家主要还是以人工目视检测为主，这种检测方法由于存在精度差、效率低、接触式等缺点，已无法满足现代化生产作业的需要。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于深度学习的磁瓦表面缺陷检测方法，分类精度高，特征工程要求低，且泛化性能高，能快速、有效地对各类工况下不同磁瓦表面缺陷进行自动识别。

为解决上述技术问题，本发明采用的技术方案是：

提供一种基于深度学习的磁瓦表面缺陷检测方法，包括如下步骤：