[发明专利]一种基于深度学习的银质丝材表面瑕疵识别方法

说明书

本发明公开一种基于深度学习的银质丝材表面瑕疵识别方法，包括如下步骤：S1：应用图像采集模块，采集若干待检测的银质丝材原图像，得到原始图像的样本集；S2：应用图像预处理模块，对步骤S1得到的样本集进行分割，得到待检目标区域，作为统计特征预检测模块的输入；S3：基于统计特征的瑕疵预检测模块，对步骤S2得到的待检目标区域进行统计特征提取，并据此进行预检测；S4：基于卷积神经网络的瑕疵检测模块，对步骤S3的预检测模块判别的瑕疵品进行二次检测，判断具体瑕疵的类别。本发明识别方法减轻银质丝材生产过程中瑕疵检测方面的人力成本，提升瑕疵识别准确率，保证银质丝材的生产质量。

技术领域

本发明涉及图像处理与机器学习领域，具体是一种基于深度学习的银质丝材表面瑕疵识别方法。

背景技术

在银质丝材的实际生产过程中，由于生产环境和生产工艺的制约，往往不可避免地产生油污、凹坑、压伤、锯齿、刮花、起泡、起皮、排线挤压、竹节、黑斑等瑕疵，这些瑕疵会对产品的质量、美观度、舒适度和使用性能等带来不良影响。因此，金属银质丝材的表面瑕疵检测是生产环节必不可少的一个步骤。

现阶段，为保证产品质量，产品检测主要采用人工目视检测方式和传统机器视觉识别方式。人工目视检测方式抽检率低，实时性差，费时费力且存在主观干扰。传统机器视觉识别基于传感器和图像预处理算法来实现银质丝材表面瑕疵的自动化识别，然而银质丝材表面瑕疵相当复杂，人工设计的特征往往描述力不够，鲁棒性不高，对分类性能有极大削弱。

CN110232404A公开了一种基于机器学习的工业产品表面瑕疵识别方法及装置，方法包括：采集工业产品表面图片，并进行预处理，得到样本图片；构造Gabor滤波器，优化参数；使用Gabor滤波器对样本图片进行特征提取，得到不同频率和方向上的特征图；将特征图进行高斯混合模型聚类，通过最大期望计算均值和标准差，并分配到相应簇，得到分类标签；构造三维卷积神经网络；将数据集作为输入数据训练三维卷积神经网络，得到训练模型，根据训练结果对训练模型进行更新，当对训练模型的测试结果达到预设指标后，存储训练模型为识别模型。Gabor滤波器在纹理描述方面有着较好的效果，但存在计算量大、参数优化的问题。通过Gabor滤波器提取的特征，需要专业人员针对不同瑕疵设计不同特征，较难适应实际生产中产生的各类瑕疵。三维卷积神经网络以特征图为输入，进一步挖掘特征图的特征，该特征相较于样本图片的特征往往表达能力受限，鲁棒性不强，所得卷积神经网络模型泛化能力受限。

CN110263630A公开了一种基于Inception模型的卷积神经网络的铝材瑕疵识别设备，通过USB数据线将计算机与高清摄像头进行连接，工作人员通过操作计算机中安装的计算机瑕疵图像识别系统下发控制命令，控制高清摄像头对传送带上的铝材进行拍照，得到图像数据，并将图像数据传输回计算机瑕疵图像识别系统；计算机瑕疵图像识别系统，该系统调用深度学习框架Pytorch将图像数据转换为张量数据，并采用基于Inception模型的卷积神经网络对张量数据进行计算，最终将得分最高的类别进行输出，该得分最高的类别即为识别出的瑕疵图像。本发明的有益效果是：减轻铝型材生产过程中的瑕疵检测方面的人力成本，提高瑕疵识别速率，保证铝型材的生产质量。该识别系统对输入要求较高，输入图像数据内仅包含瑕疵部分，因此对相机位置、光照条件要求严苛。

对此，将深度学习引入瑕疵识别过程，只需对原始图像进行图像预处理，以预处理后的图像作为输入，就能够在大量的图像数据中自动学习具有高度抽象性和不变性的特征，该方法鲁棒性高并且能够胜任更多计算机视觉任务。

发明内容

本发明的目的在于解决背景技术中存在的问题，提出了一种基于深度学习的银质丝材表面瑕疵识别系统及方法，弥补人工目视检测和传统机器视觉检测方法的不足。

本发明一种基于深度学习的银质丝材表面瑕疵识别系统，包括依次连接的图像采集模块、图像预处理模块、基于统计特征的瑕疵预检测模块和基于卷积神经网络的瑕疵检测模块。

本发明一种基于深度学习的银质丝材表面瑕疵识别方法，包括如下步骤：