[发明专利]一种基于人工智能的工业缺陷检测分析系统在审
申请号: | 202211163880.5 | 申请日: | 2022-09-23 |
公开(公告)号: | CN115526856A | 公开(公告)日: | 2022-12-27 |
发明(设计)人: | 孙学真 | 申请(专利权)人: | 苏州元极智能科技有限公司 |
主分类号: | G06T7/00 | 分类号: | G06T7/00;G06V10/764;G06N3/04;G06N3/08 |
代理公司: | 苏州根号专利代理事务所(普通合伙) 32276 | 代理人: | 项丽 |
地址: | 215000 江苏省苏州*** | 国省代码: | 江苏;32 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 人工智能 工业 缺陷 检测 分析 系统 | ||
本发明涉及一种基于人工智能的工业缺陷检测分析系统,包括像素级实例分割模块、缺陷检测分类模块,所述的像素级实例分割模块用于在待分析的视频图像中实例化出要检测识别的目标并进行分割以提供目标区域;所述的缺陷检测分类模块用于对待识别目标区域进行精细化分析,得到最终的缺陷区域及缺陷模型。本发明通过采用像素级的实例分割方案和目标检测识别分析,有效的解决了目标定位不准,缺陷位置和类型识别率不高的问题,可以广泛的应用于工业企业作业过程中。
技术领域
本发明涉及工业缺陷检测识别领域,尤其涉及一种基于人工智能的工业缺陷检测识别系统。
背景技术
工业产品制造过程中,会出现很多缺陷。这些缺陷类型往往不固定,包括工业产品的边缘缺陷、气泡、空洞、裂痕等。
工业缺陷检测识别,是一种通过机器视觉算法来自动识别工业相机拍摄的图像中的缺陷位置的技术。它的准确性和自动化程度对工业质量控制起着至关重要的作用。
现有的技术中,更多的是使用检测方案直接检测缺陷位置,然而在实践中,由于工业现场环境复杂,缺陷形态多变,导致检测识别精度不足。因此,需要解决的问题主要有两个方面:第一,如何精确定位目标;第二,如何精准检测和识别缺陷位置和缺陷类型。本申请正是基于这两方面的问题所做出的的改进。
基于上述分析,本发明专利一种基于人工智能的工业缺陷检测识别系统,该系统以深度学习为基础,采用像素级的实例分割方案和目标检测识别分析,有效的解决了目标定位不准,缺陷位置和类型识别率不高的问题。
发明内容
本发明的目的是要提供一种基于人工智能的工业缺陷检测分析系统,有效的解决了目标定位不准、缺陷位置和类型识别率不高的问题。
为达到上述目的,本发明采用的技术方案是: 一种基于人工智能的工业缺陷检测分析系统,包括像素级实例分割模块、缺陷检测分类模块,所述的像素级实例分割模块用于在待分析的视频图像中实例化出要检测识别的目标并进行分割以提供目标区域;所述的缺陷检测分类模块用于对待识别目标区域进行精细化分析,得到最终的缺陷区域及缺陷模型。
进一步地,所述的像素级实例分割模块基于SOLO网络进行优化形成SOLO骨干网络以提升网络模型的运行速度。
所述的SOLO骨干网络中加入有精简FPN结构以增强边缘端分析能力。
所述的SOLO骨干网络形成步骤如下:
(1)基于Inception-V2的基础上去除其网络层5a及以后的网络层;
(2)保留的网络层5a之前的结构中,对每个卷积层的通道数进行剪枝操作,剪枝操作包括两个部分,第一部分是训练N个网络模型,把N个模型的所有卷积层中的参数进行加权,加权数据根据所有训练样本完成一次训练所得模型的倒数,将加权后的参数除以总数,得到完整的网络模型参数;第二部分,对每一层的网络参数进行由大到小的排序,当小于某个阈值P时,删除该数据,然后统计每个通道上保留的权重的个数,得到最终的每个卷积层上的通道数。
所述的精简FPN结构为去除较早层处的FPN,采用所述的剪枝算法再优化FPN分支中的卷积层通道。
进一步地,所述的缺陷检测分类模块采用精简化的YOLO-V7作为主干网络,采用多任务结构,对缺陷位置区域以及缺陷类型进行训练。
所述的YOLO-V7精简的方式如下:
(1)修改输入图像的分辨率;
(2)去除原始结构中的部分block模型;
(3)对保留的网络结构进行通道剪枝。
在所述的YOLO-V7输出分支中,并行添加属性分支和检测分支以形成相互增强。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于苏州元极智能科技有限公司,未经苏州元极智能科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202211163880.5/2.html,转载请声明来源钻瓜专利网。