[发明专利]一种卫浴陶瓷表面缺陷检测方法

权利要求书

1.一种卫浴陶瓷表面缺陷检测方法，其特征在于，包括如下步骤：

S100、采集卫浴陶瓷的原始图像，构建卫浴陶瓷表面缺陷图像数据集；

S200、扩充卫浴陶瓷表面缺陷图像，然后将所有所述卫浴陶瓷表面缺陷图像制作为卫浴陶瓷表面缺陷数据集；

S300、利用Tensorflow和Keras开源深度学习框架搭建出改进的CenterNet缺陷检测模型；

S400、分批次向改进的CenterNet缺陷检测模型中输入卫浴陶瓷缺陷图像，迭代训练模型，最终得到卫浴陶瓷表面缺陷检测模型；

S500、训练完成后，将测试集样本输入到所述卫浴陶瓷表面缺陷检测模型中，验证改进的CenterNet缺陷检测模型的鲁棒性；以及

S600、将待检测的卫浴陶瓷表面缺陷图像输入到测试过的所述卫浴陶瓷表面缺陷检测模型中，进行缺陷检测。

2.如权利要求1所述的卫浴陶瓷表面缺陷检测方法，其特征在于，步骤S100中，缺陷检测的对象为成品卫浴陶瓷产品，所述成品卫浴陶瓷产品的缺陷类别包括：裂纹、硬裂、绿斑、铁脏、圆孔缩釉和/或条状缩釉。

3.如权利要求1或2所述的卫浴陶瓷表面缺陷检测方法，其特征在于，步骤S200中，对卫浴陶瓷表面缺陷图像进行旋转、裁剪、翻转、移位和噪声处理进行数据增强，以扩充卫浴陶瓷表面缺陷图像数据量。

4.如权利要求1或2所述的卫浴陶瓷表面缺陷检测方法，其特征在于，在步骤S200中，还包括将制作完毕的卫浴陶瓷表面缺陷数据集按照8:1:1的比例随机划分为训练集、验证集和测试集。

5.如权利要求4所述的卫浴陶瓷表面缺陷检测方法，其特征在于，步骤S300中，CenterNet为Anchor-free型的网络模型，不需要提前预设锚选框；改进的CenterNet缺陷检测模型的主干网络为CSPDarkNet-53，网络内部采用残差结构模块，以缓解深度神经网络在模型训练时的梯度消失。

6.如权利要求5所述的卫浴陶瓷表面缺陷检测方法，其特征在于，所述主干网络CSPDarkNet-53采用CSPnet结构，将所述残差结构模块的堆叠拆分为主干单元和边缘单元，所述主干单元进行残差堆叠，边缘单元则作为残差边处理后直接连接到最后。

7.如权利要求6所述的卫浴陶瓷表面缺陷检测方法，其特征在于，所述主干网络CSPDarkNet-53采用Mish函数作为网络激活函数。

8.如权利要求7所述的卫浴陶瓷表面缺陷检测方法，其特征在于，所述主干网络CSPDarkNet-53的输入特征图尺寸为(512,512,3)，输出特征图尺寸为(16,16,1024)，之后再经过三次反卷积上采样操作，获得更高分辨率的有效特征图尺寸为(128,128,64)，并利用所述有效特征图获得最终预测结果。

9.如权利要求8所述的卫浴陶瓷表面缺陷检测方法，其特征在于，所述卫浴陶瓷表面缺陷检测模型利用所述有效特征图(128,128,64)进行热力图预测、中心预测和宽高预测，以检测热力点是否有物体存在、物体的种类和物体在图像中的位置信息。

10.如权利要求9所述的卫浴陶瓷表面缺陷检测方法，其特征在于，所述卫浴陶瓷表面缺陷检测模型的损失函数包括中心点的损失、尺寸大小的损失和中心点偏置的损失。

11.如权利要求1所述的卫浴陶瓷表面缺陷检测方法，其特征在于，步骤S400中，训练模型采用迁移学习分两阶段训练，第一阶段批大小为16，采用0.001的学习率训练100个轮次，第二阶段批大小为8，采用0.0001的学习率训练400个轮次，且在第二阶段训练时采用学习率下降策略和提前终止训练策略。