[发明专利]基于轻量级深度神经网络的工业产品缺陷图像分类方法

说明书

基于轻量级深度神经网络的工业产品缺陷图像分类方法，属于材料缺陷检测领域，包含以下步骤：1、工业产品图像数据集的准备；2、搭建轻量级深度神经网络；3、将工业产品缺陷图像数据集输入到搭建好的轻量级深度神经网络中，经过网络训练，提取偏光片图像多尺度特征，将提取到的特征输入Softmax层进行分类，得到分类模型；4、将测试图像输入分类模型中，将图像属于某一类别的概率和图像对应的标签输入到Accuracy层，输出图像的正确分类结果。本发明利用深度学习进行图像分类和模型压缩方法相结合，搭建基于轻量级深度神经网络的工业产品缺陷图像分类网络，在不降低分类准确率的前提下最小化深度模型及加快检测速度，满足工业中缺陷检测的实时性需求。

技术领域

本发明属于材料缺陷检测技术领域，具体涉及一种基于轻量级深度神经网络的工业产品缺陷图像分类方法。

背景技术

工业中生产线产品的质量检测是进行产品质量控制的关键环节。在产品的生产过程中，工件内部可形成不均匀区域，其特征是气泡状间隙，裂缝，夹杂物，污渍，划痕等缺陷。这些缺陷通常通过人工检查来完成，主要是通过在生产线上对产品进行视觉扫描，将有缺陷的产品分类出来以便后续处理。然而，在大批量生产过程中，检测精度和速度易受检测人员主观因素及经验的影响，难以满足工业领域在效率和精度等方面的要求。传统的基于机器视觉检测缺陷的技术主要通过对被检物图像进行处理，具有检测速度快、成本低和检测结果可靠等优点。但是在图像处理过程中，需要人工定义和选择能够准确识别图像中缺陷的特征表示。在工业环境中，当出现新的问题时，必须手动设计新的特征，由于缺陷区域和位置的随机性，形状多样性和复杂性，因此用于描述缺陷的标准特征描述符往往导致分类结果不准确，很难满足实际工业要求。

近年来，随着深度学习的兴起与发展，深度卷积神经网络克服了手动重新定义每个新缺陷的特征表示的困难，显著提高了图像分类，目标分割，目标检测和其他视觉任务等应用中的检测性能，其中具有代表性的分类网络主要有AlexNet，VGG，GoogleNet和ResNet。然而，这些经典的分类网络构建的越来越深，模型大小也在不断增加，在许多实际应用如在线检测，人脸识别和汽车自动驾驶中，需要在计算受限的平台上实时地执行识别任务，因此，在尽量不影响网络效果的前提下，模型压缩和简化设计成为了一个很重要的研究方向。为了减少深度学习网络模型在移动设备上运行所占用的存储空间，一系列轻量级的网络应运而生，代表性网络主要有SqueezeNet，MobileNet和ShuffleNet等，这些网络在图像分类准确率，网络的参数量与计算量和存储空间方面取得了非常不错的平衡。

本发明拟提出一种基于轻量级深度神经网络的工业产品缺陷图像分类方法，将利用深度学习进行图像分类和模型压缩方法相结合，搭建了一个轻量级的深度学习网络，旨在不降低分类准确率的前提下最小化深度模型及加快检测速度，以达到在硬件资源有限的情况下满足实际工业缺陷检测的实时性需求。

发明内容

本发明的目的是提供一种基于轻量级深度神经网络的工业产品缺陷图像分类方法，能够在不降低分类准确率的前提下最小化深度模型及加快检测速度，以达到在硬件资源有限的情况下满足实际工业缺陷检测的实时性需求。

本发明为实现其目的，所采用的技术方案包括以下步骤：

一、工业产品图像数据集的准备

1.1、本发明从某电子厂获得某一批次工业产品的图像，并对获得的图像进行预处理，通过对图像采用多次旋转、改变图像对比度、调节色度、饱和度等数据增强的方法扩充样本。

1.2、准备训练集、校验集和测试集，并做好对应图像的标签，将图像和对应的标签转换成卷积神经网络能识别的数据类型，即LMDB格式的输入文件。

二、轻量级深度神经网络的搭建