[发明专利]一种基于密集生成对抗神经网络的磁瓦表面缺陷检测方法

说明书

本发明公开了一种基于密集生成对抗神经网络的磁瓦表面缺陷检测方法。对采集到的磁瓦图像进行预处理，制作训练集；构造密集生成对抗神经网络模型，该模型分为生成器和判别器两部分；生成器是一个全卷积密集神经网络，包括若干密集块和转移块；判别器是一个下采样神经网络；利用训练集训练网络参数，优化模型；将待测磁瓦图像输入给训练好的生成网络模型，得到像素级磁瓦缺陷标记图像，经后期分析处理得到该磁瓦的缺陷信息，应用于磁瓦生产检测中。与人工检测磁瓦缺陷相比，该方法能够节省人力成本，加快检测速度；与传统磁瓦缺陷检测方法相比，该方法能够获得多种类别的像素级缺陷信息，适用范围广泛，提高检测准确率。

技术领域

本发明涉及工件缺陷检测领域，尤其涉及一种基于密集生成对抗神经网络的磁瓦表面缺陷检测方法。

背景技术

工件缺陷检测是工业生产中保证产品质量一个重要的环节，磁瓦作为电机的重要组成部件，其表面缺陷会直接影响电机的性能和使用寿命。磁瓦缺陷种类繁多，包括裂缝、缺块、起皱、杂质等等，由于缺乏有效的磁瓦表面缺陷检测技术，目前磁瓦生产企业主要使用人工检测的方式对其进行质量检测。人工检测存在耗时长、错检率高、劳动力成本高等缺点，限制了磁瓦的生产效率。此外，现有的一些基于机器视觉的工件缺陷检测技术在面对磁瓦复杂多样的缺陷种类时也未能达到较高的准确率，无法投入使用。本发明使用一种基于密集生成对抗神经网络的目标检测方法对磁瓦表面缺陷进行检测，提高检测准确率，实现磁瓦检测过程的自动化。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于密集生成对抗神经网络的磁瓦表面缺陷检测方法，解决磁瓦缺陷检测的低效性，实现检测过程智能化。

本发明的目的是通过以下技术方案来实现的：一种基于密集生成对抗神经网络的磁瓦表面缺陷检测方法，包括以下步骤：

(1)磁瓦图像预处理：将采集到的磁瓦图像制作成磁瓦原图和缺陷标记图。

(2)构造网络模型：构造密集生成对抗神经网络模型，该模型分为生成器和判别器两部分；生成器是一个全卷积密集神经网络，包括若干密集块和转移块，密集块用于特征提取，转移块在编码部分用于下采样，在解码部分用于上采样；判别器是一个下采样神经网络。

(3)训练网络模型：利用反向传播算法训练网络模型。

(4)检测待测图像：将待测图像的磁瓦原图输入到训练好的网络模型的生成器中进行前向计算，生成缺陷标记图。

(5)图像后处理：统计分析步骤(4)生成的缺陷标记图中的缺陷信息。

进一步地，所述步骤(1)中，磁瓦图像预处理包括以下子步骤：

对于采集到的磁瓦图像，利用磁瓦与背景的亮度差截取出磁瓦所在区域，生成磁瓦原图；

在磁瓦原图中手工标记出缺陷区域，缺陷区域用特定颜色进行标记，生成缺陷标记图；

将原图以及对应缺陷标记图左右拼接形成训练图像，训练图像经过归一化操作，使得每个像素点数值从[0,255]的整型数值调整为[-1.0,1.0]的浮点数值，构成训练集。

进一步地，所述步骤(2)中，所述密集生成对抗神经网络模型的生成器部分由编码部分和解码部分组成。