[发明专利]一种卫浴陶瓷表面缺陷检测方法

说明书

一种卫浴陶瓷表面缺陷检测方法，包括如下步骤：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；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；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；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；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。本发明可替代人工进行缺陷检测，显著提高了检测效率和检测精度。

技术领域

本发明涉及陶瓷缺陷检测技术，特别是一种基于改进CenterNet的卫浴陶瓷表面缺陷检测方法。

背景技术

中国是世界上最大的卫浴陶瓷生产国和销售国，卫浴陶瓷行业生产企业众多，整个行业的自动化程度在稳步提升，但是在卫陶成品质量检测环节还远远不足，主要依靠检测人员人工完成，检测效率较低，而且容易受到检测人员经验因素和身体状况的影响。

近年来，随着计算机技术的发展，深度学习技术也取得了长足的进步，越来越多的企业开始采用深度学习的技术进行缺陷检测。相较于现有检测技术，基于深度学习的缺陷检测具有检测速度快、精度高、学习能力优越、鲁棒性强等优势，非常适合大规模工业产线。但现有技术的检测精度和检测速度还无法满足卫浴陶瓷实际生产中缺陷检测的需求。

发明内容

本发明所要解决的技术问题是针对现有技术的上述缺陷，提供一种基于改进CenterNet的卫浴陶瓷表面缺陷检测方法。

为了实现上述目的，本发明提供了一种卫浴陶瓷表面缺陷检测方法，其中，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。

上述的卫浴陶瓷表面缺陷检测方法，其中，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。

上述的卫浴陶瓷表面缺陷检测方法，其中，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。

上述的卫浴陶瓷表面缺陷检测方法，其中，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。

上述的卫浴陶瓷表面缺陷检测方法，其中，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。