[发明专利]一种基于卷积神经网络的工件表面缺陷检测方法

权利要求书

1.一种基于卷积神经网络的工件表面缺陷检测方法，其特征在于，包括以下步骤：

(1)多路图像采集：利用多个摄像头与光源的组合，采集工件的各个表面的图像；

(2)图像的预处理：目标区域切割，图像增强以及改变图片大小；

(3)构造用于缺陷检测的卷积神经网络结构：网络的设计采用全卷积神经网络结构组成的语义分割网络，全卷积神经网络结构仅由多个卷积层以及反卷积层组成，不包含全连接层，是一种从图像到图像的卷积神经网络结构；

(4)构造训练样本：以工件的原图像作为语义分割网络的输入，手工标注的标签图作为网络的标签；

(5)训练卷积神经网络：采用反向传播算法训练卷积神经网络的参数；具体为：利用BP算法更新卷积神经网络参数，训练的具体步骤如下：

(5.1)初始化权重：卷积神经网络的权重初始化采用xavier方法，该方法使参数以均匀分布的方式在的范围内被初始化，其中a为参数所在层的输入维度，b为参数所在层的输出维度；

(5.2)确定学习率以及训练次数；

(5.3)输入样本到卷积神经网络中，计算每一层以及输出层的输出；

(5.4)计算输出与标签的代价函数；具体为：卷积神经网络的代价目标为图像与图像之间的差异度，所以训练卷积神经网络所使用的代价函数使用L1 loss代价函数，表达式如下：

其中n为输出的图片的像素量，l_i为标签图的像素值，y_i为卷积神经网络的输出值；

(5.5)利用代价函数计算出每一层的残差，并求出该层的参数的梯度；

(5.6)根据学习率更新每一层的权重；

(6)将待测工件的图像输入到训练好的卷积神经网络中，获取像素级的缺陷区域标记图像；

(7)根据获得标记的信息判断工件的缺陷种类及程度。

2.根据权利要求1所述的一种基于卷积神经网络的工件表面缺陷检测方法，其特征在于，所述步骤(1)中，多路图像采集包括以下子步骤：

(1.1)摄像头通过网口或USB与工控机连接，光源通过串口与工控机连接；

(1.2)工件到达指定位置触发摄像头，获取工件各面图像；

(1.3)根据拍摄面的不同，利用串口控制光源方向与强度；

(1.4)把图像通过数据线传到工控机等待处理。

3.根据权利要求1所述的一种基于卷积神经网络的工件表面缺陷检测方法，其特征在于，所述步骤(2)中，图像的预处理包括：

(2.1)目标区域分割：遍历原图I，以阈值threshold找到工件区域的上下左右边界，对原图进行抠图，获得工件图像I₂；

(2.2)图像增强：对工件图像I₂进行对数图像增强，获得增强后的图像I₃，公式如下：

其中，OldPixel为原图像素值，NewPixel为增强后的图像像素值；

(2.3)改变图片大小：把不同大小的图像I₃，利用双线性插值法调整为统一的大小。

4.根据权利要求1所述的一种基于卷积神经网络的工件表面缺陷检测方法，其特征在于，所述步骤(3)中，所设计的全卷积神经网络结构主要由多个卷积层和反卷积层组成，卷积层位于网络结构前半部分，反卷积层位于网络结构后半部分，卷积层和反卷积层数量相等，相邻的两层之间用Batch Normalization层和PRelu层连接，输入层把图片数据从[0,255]归一化到[-1,1]，输出层使用Tanh层，同样使输出数据的范围保证在[-1,1]。

5.根据权利要求1所述的一种基于卷积神经网络的工件表面缺陷检测方法，其特征在于，所述步骤(4)中，所构造的训练数据中，每一个训练数据均由两部分组成，第一部分为工件的原始图像，图像中包含工件的全貌，第二部分是标签图，标签图利用原图生成，生成的方法如下：

(4.1)原图中的不同区域分别对应一个标签，标签的形式为图像中不同的颜色；

(4.2)手工描点，利用凸包把不同的区域包裹起来；

(4.3)把区域对应的标签覆盖到原图中，形成标签图。