[发明专利]一种基于卷积神经网络的马克杯杯口缺陷检测分类方法

说明书

本发明公开了一种基于卷积神经网络的马克杯杯口缺陷检测分类方法，包括以下步骤：A、由图像采集系统采集马克杯杯口图像信息；B、利用opencv去除采集到图像的噪声和数据集扩充；C、利用LabelImg对马克杯杯口图像进行缺陷标记，将标记好的训练集图像统一格式化为固定大小：2M*2M；D、利用格式化后的训练集对待训练卷积神经网络进行训练；E、利用训练后卷积神经网络模型对缺陷标记后的图像进行图像特征提取；F、区域推荐网络根据图像特征生成相同数量的正样本候选框和负样本候选框；G、对目标推荐区域内检测目标进行分类。至此，整个系统完成了对马克杯杯口缺陷检测分类。本发明可以有效的用于马克杯杯口缺陷检测分类，提高检测自动化程度和效率并减少人为因素对检测过程的影响以及工人的劳动强度。

技术领域

本发明涉及杯口缺陷检测分类技术领域，具体为一种基于卷积神经网络的马克杯杯口缺陷检测分类方法。

背景技术

随着中国制造业的不断发展，人民生活水平的不断提高，马克杯已经成为人民日常生活的一部分，马克杯杯口缺陷主要是指杯口的斑点、缺口和划痕，这些缺陷直接影响着产品销量和企业形象。因此，采用合适的缺陷检测分类手段则变得尤为重要。传统人工检测方法存在着的检测效率低下，工作强度大，精度低等弊端，另外一些研究人员将计算机视觉和图像处理相结合，通过缺陷比对来检测马克杯的缺陷情况，这种缺陷图像识别算法需要手工构建、选择目标的主要特征，并选取合适的分类器进行识别，局限性较大。例如，候选区域判别，即对分割出的候选区域依据形状特征、灰度特征以及Hu不变矩特征进行甄别，这需要人参与设计缺陷的一些主要特征，这就存在一个问题: 基于手工设计的特征对于缺陷多样化的变化没有很好的鲁棒性，只适用于特定的缺陷检测，很难适应缺陷面积大小不一、形状种类多样化、背景区域复杂的图像的自动识别与定位。

近年来，随着数以百万带标签训练集的出现以及基于GPU训练算法的出现，使训练复杂卷积网络模型不再奢望。卷积神经网络相比于传统手工提取特征的方法，不仅可以自动学习到目标的特征，而且适合数据集的处理，还能进行端到端的学习，并且绝大部分预测都在 GPU中完成，大幅提升了目标检测的速度和准确度。

故基于以上所诉将卷积神经网络引入到马克杯杯口缺陷检测分类中成为一种可行方案，相比于缺陷比对提高了目标检测的速度和准确度，同时相比于传统人工检测提高了检测自动化程度和效率并减少人为因素对检测过程的影响以及工人的劳动强度。

发明内容

本发明的目的在于设计一种基于卷积神经网络的马克杯杯口缺陷检测分类方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于卷积神经网络的马克杯杯口缺陷检测分类方法,包括以下步骤：

A、由图像采集系统采集马克杯杯口图像信息；

B、利用opencv去除采集到的图像的噪声和数据集扩充；

C、利用labelImg对马克杯杯口图像进行缺陷标记，将标记好的训练集图像统一格式化为固定大小：2M*2M；

D、利用格式化后的训练集对待训练卷积神经网络进行训练；

E、利用训练后卷积神经网络模型对缺陷标记后的图像进行图像特征提取；

F、 区域推荐网络根据图像特征生成相同数量的正样本候选框和负样本候选框；

G、对目标推荐区域内检测目标进行分类。

优选的，所述步骤D中训练网络中权值更新包括以下部分：

A、在传统Adam方法的中加入权值衰减；

B、权值衰减并不是添加到损失函数中参与梯度计算，而是参数每次更新时会再额外进行一次权重的衰减过程；

C、权值衰减的参数更新步为：