[发明专利]一种应用于机箱表面划痕检测的深度卷积神经网络方法

说明书

本发明属于机器视觉领域，涉及一种应用于机箱表面划痕检测的深度卷积神经网络方法。该方法通过深度卷积神经网络对机箱表面划痕图片进行训练，建立应用于机箱表面划痕检测的深度卷积神经网络模型。经过测试选出最优的深度卷积神经网络模型，利用彩色摄像机采集机箱表面图像，由最优的深度卷积神经网络模型对机箱表面划痕进行检测。本发明设计的深度卷积神经网络，可以有效的解决光照环境多变的机箱表面细微划痕检测的难题。

技术领域

本发明涉及一种应用于机箱表面划痕检测的深度卷积神经网络方法，更具体的说，本发明涉及一种能够用于机箱细微划痕缺陷检测的深度卷积神经网络方法。

背景技术

深度学习是目前人工智能、机器学习领域异常火热的研究方向，已经在语音识别、图像识别、自然语言处理等诸多领域取得了突破性进展，对学术界和工业界产生了深远的影响。随着工业4.0的迅速发展，工业生产线的机箱产品有着极大的产量需求。由于生产工艺、运输工程中的意外情况，机箱表面往往存在各种不同程度的划痕缺陷，而这些含有划痕缺陷的产品会直接影响产品的质量。目前，对于相关工业产品的缺陷检测仍是依赖人工检测。人工检测不仅存在较高的误检率，而且大大增加了产品成本。近年来，基于机器视觉的自动化缺陷检测方法被广大研究者所关注，也越来越受到厂商的青睐，但现行方法检测精度低且耗时长，不能满足实时检测需求，成为了制约机器取代人类进行缺陷检测的主要因素。目前已有的缺陷检测技术，大多采用传统的图像处理与识别技术，例如灰度变换、图像二值化、边缘检测、模板匹配等；采用较为经典的人工特征，例如SIFT，SURF，HAAR，HOG等算子，利用神经网络或SVM分类器进行图像分类。类似的以传统图像处理与特征提取为主要手段的缺陷检测方式，运用到了太阳能板的缺陷检测，钢轨的缺陷检测，LED缺陷检测等领域上，但是对于机箱的划痕缺陷检测这一问题，由于划痕缺陷存在面积较小，极其轻微，与背景对比度不强的特点，上述传统算法并不能良好地应用于机箱的划痕缺陷检测中，无论从处理时间还是检测的精准度上，都不能满足工业生产的需求。为了解决这一难题，本发明设计一种应用于机箱表面划痕检测的深度卷积神经网络方法。

发明内容

本发明提供一种应用于机箱表面划痕检测的深度卷积神经网络方法，该方法能够应用于机箱细微划痕缺陷检测。在不同光照环境，仍能实现对机箱表面划痕检测。

所述的深度卷积神经网络方法的硬件系统包括：

用于精度控制、图像采集和数据处理的计算机；

用于采集图像的彩色摄像机；

用于放置所述的彩色摄像机的操作平台；

本发明所设计的深度卷积神经网络方法，其特征是：对机箱表面图像进行划痕检测，步骤如下：

步骤1：选取含有机箱表面划痕图像的数据集，所述的机箱表面划痕图像数据集包含输入图像X张，标签图像X张，测试图像Y张，将所述的数据集的图像大小统一设置为3通道像素值为512×512的图像；

步骤2：深度卷积神经网络模型的第一层输入层参数I₁＝m₁×m₁×n₁，设置m₁＝512，n₁＝3；

步骤3：步骤2中所述的深度卷积神经网络模型的第二层卷积层参数C₁＝m₂×m₂×n₂，设置m₂＝3，n₂＝16，所述的深度卷积神经网络模型第二层卷积层的输出为C_out1；

步骤4：步骤2中所述的深度卷积神经网络模型的第三层池化层参数P₁＝m₃×m₃×n₃，设置m₃＝2，n₃＝1；