[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

说明书

本发明公开了一种基于卷积神经网络的工件表面缺陷检测方法。采集工件的各个表面的图像；构造卷积神经网络结构；构造训练样本；训练卷积神经网络的参数；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。本发明进行缺陷检测使用的是全卷积神经网络，该网络的输入为经过预处理的工件原图，经神经网络计算后输出大小与原图相等缺陷标记图，通过对缺陷标记图的分析可以很好的获取缺陷区域的位置、大小以及形状等重要信息。对比传统的缺陷检测方法，该方法可以处理大规模的图像数据，能够减少手工设计特征的巨大工作量，可以同时处理多种不同的缺陷类别以及能获得像素级的缺陷区域信息。

技术领域

本发明涉及缺陷检测的技术领域，尤其涉及一种基于卷积神经网络的工件表面缺陷检测方法。

背景技术

工业产品零部件质量是工业生产中关键性的环节，直接关系到整体系统级产品的质量。现今，我国提出智能制造2025规划以及工业4.0发展目标，目的是为了把我国工业从原来的依靠数量转换到依靠质量的新工业发展道路上来。因此，实现工件的质量检测的自动化和智能化刻不容缓。然而，现今的大部分工业部件制造商仍旧采用人工的方法去检测和控制产品的质量，这是一个耗时耗工的环节，企业需要投入大量的人力来保证产品质量。人工检测方法显然存在着许多不足的地方，如耗费较多的时间和费用，工人的不断重复检测容易使人疲劳和厌倦，导致检测结果主观，不连续，不可靠。这些不足的地方经常会导致产品检测出现问题，而使得产品的质量得不到保证。本发明将采用卷积神经网络作为工件缺陷检测的主要方法，以实现检测过程的自动化，具有重要的应用价值。

发明内容

为了获得像素级的缺陷检测结果以及更好的普适性，本发明提供了一种基于卷积神经网络的工件表面检测方法。

本发明的目的是通过以下技术方案来实现的：一种基于卷积神经网络的工件表面缺陷检测方法，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(Fully Convolutional Networks，FCN)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；

(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。

进一步地，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。

进一步地，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：