[发明专利]一种应用于螺钉表面缺陷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，涉及一种应用于螺钉表面缺陷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螺钉表面图像进行训练，建立应用于螺钉表面缺陷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螺钉表面图片，由最优的深度卷积神经网络模型对螺钉表面图片进行检测。本发明设计的深度卷积神经网络，可以有效的解决复杂背景下的螺钉表面缺陷检测的难题。

技术领域

本发明涉及一种应用于螺钉表面缺陷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背景复杂环境下的螺钉表面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。目前，国内大多数螺钉生产企业还只能采用抽检方式对螺钉进行尺寸检测，即抽取部分螺钉用卡尺或光学放大仪测量其尺寸。对于有全检要求的螺钉，企业不得不使用大量人力进行手工筛选。对于大批量生产、尺寸较小的螺钉，人工检测相当困难和繁琐，耗时费力，且存在许多技术漏洞，检测精度不高，难以保证螺纹质量。陈永清提出的内螺纹图像识别系统中螺钉检测部分，基于自适应阈值分割与形态学开运算，达到螺丝识别检查的目的，但是当图像干扰大时，存在严重欠分割，使其检测精度不佳。严荣杰提出了基于CCD数字图像校正技术的螺纹检测系统中螺钉检测部分，采用最大方差分割与相对样本标准，达到螺丝识别检查的目的，但是当图像干扰大时，存在严重过分割，从而检查失败。深度卷积神经网络作为深度学习的方法之一，具有很强的学习能力，能从大量样本数据中提取隐藏的特征在，图像分类中处于佼佼者的地位。目前，在国际图像识别大赛中获得最好成绩的团队都采用了深度卷积神经网络。为了解决无法在背景复杂环境下螺钉表面缺陷检测难题，本发明设计了一种应用于螺钉表面缺陷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螺钉表面缺陷检测的深度卷积神经网络方法，该方法能够应用于背景复杂环境下的螺钉表面缺陷检测，完成螺钉背景复杂干扰大，分割不准确，识别检查稳定性差等情况下的螺钉缺陷检测。

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：对螺钉表面缺陷进行检测，步骤如下：

步骤1：选取含有N类螺钉表面的数据集，对所述的N类螺钉表面设置不同颜色矩形边框，所述的数据集包含训练图像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32×32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＝32，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；

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；