[发明专利]基于深度学习的薄膜瑕疵检测方法

说明书

本发明涉及一种基于深度学习的薄膜瑕疵检测方法。该发明包括以下步骤：首先根据yolov5的卷积神经网络结构，在coco数据库上进行训练得到一个预训练网络；然后通过对所述的预训练网络进行微调，在薄膜数据库上学习一个新的网络模型，即目标网络；最后将目标网络模型加载到系统中，将相机采集的实时薄膜数据载入系统中进行检测。本发明主要针对薄膜瑕疵小，难以识别检测出，浅层特征重复利用，对浅层参数与特征金字塔简单相加操作。由于参数量没有增加，只是增加了特征相加操作，在与原模型的检测速度相当情况下，使得对薄膜上的小瑕疵检测精准度更高。

技术领域

本发明属于计算机视觉中的视频图像处理和模式识别领域，涉及一种基于深度学习的薄膜瑕疵检测方法。

背景技术

在薄膜的实际生产过程中，由于各方面因素的影响，薄膜表面会出现诸如孔洞、蚊虫、黑点、晶点、划伤、斑点等瑕疵，严重影响了薄膜的质量，给生产商带来了不必要的损失。人眼往往不能及时准确的判断出瑕疵，薄膜表面缺陷检测系统能在线对生产过程中产生的表面缺陷瑕疵进行高速、精确的检测，显示和识别薄膜表面上的所有表面缺陷。能检测分别出极小尺寸的脏污点、条纹、破损、边缘裂缝、皱折、暗斑、亮斑、边缘破损、黑点疵点、毛发，蚊虫，等常见表面缺陷。强大的表面缺陷模式识别功能，根据表面缺陷的特征，在报警的同时，会指出导致该表面缺陷的设备、工艺问题所在，指导工人及时处理，从而有效的节约了生产成本、提高了产品质量。因此薄膜瑕疵在线检测系统成为高速薄膜生产线中不可或缺的检测设备。

目前国内外针对瑕疵检测的各种算法如：奇异值( Singular Value) 检测算法，能使得瑕疵显著化，但其计算量大，实际应用受限；小波以及形态学检测算法使输入图像通过小波变换，并运用多尺度积达到降低噪声、强化边缘特征的目的，最后运用形态学得到较准确的瑕疵标记，但此法的误检率偏高；方法库，顾名思义，会涉及多种方法，主要包括Gabor 滤波、形态学检测、多尺度小波检测，其检出率较高，但计算复杂度偏高；LBP(LocalBinary Patterns，局部二值模式) 算法，将一幅图像分割成若干块进行处理以获取图像的纹理特征从而进行瑕疵检测，此类方法的检测效果有待提升；BB( BollingerBands，布林带) 法、RB( Regular Band，规则带) 法则是对一整幅图像进行处理，检测精度较高，但不能准确定位出细小瑕疵。随着机器视觉理论与技术以及计算机硬件的发展，基于深度学习的目标检测成为研究的热点。在基于深度学习的框架下，瑕疵检测取得了极大的进步。

发明内容

针对现有技术的不足，本发明提供了一种基于深度学习的薄膜瑕疵检测方法，适用于薄膜生产过程中进行实时薄膜表面瑕疵检测，通过对浅层特征的重复使用，能够对小目标检测提升，可以有效提高对瑕疵检测准确率，这里的小目标已由国际组织SPIE定义。

本发明的技术方案为：

本发明包括以下步骤：

步骤（1）根据yolov5的卷积神经网络结构，在coco数据库上进行训练得到一个预训练网络。

步骤（2）通过对所述的预训练网络进行微调，在薄膜数据库上学习一个新的网络模型，即目标网络，所述的薄膜数据库采用以下方式得到：使用工业相机采集薄膜图像，手工标注薄膜瑕疵，得到所述薄膜数据库。

步骤（3）将目标网络加载到系统中，将相机采集的实时薄膜数据载入系统中进行检测。

所述步骤（2）的微调具体为：修改预训练网络的网络结构，将网络结构中的特征金字塔结构进行修改，将主干网络中的第3层进行下采样及升维度，与特征金字塔输出的P4层进行相加操作；将主干网络中的第5层进行下采样及升维度，与特征金字塔输出的P5层进行相加操作，得到直角特征金字塔结构。

进一步说，所述步骤（3）具体为：将采集薄膜图像的相机部署在生产线上，实时获取薄膜图像，将图像传入系统中进行实时检测；若检测到瑕疵，系统自动用红色矩形框在图像中标注并打印在屏幕上。