[发明专利]一种基于深度学习的工业制品病疵检测方法

说明书

本发明公开了一种一种基于深度学习的工业制品病疵检测方法，该方法具体为先下载，并测试官方的模型，搭建工业轮胎X光病疵数据库；使用标注软件LabelImg分别对train数据集和validation数据集进行标注，生成.XML文件，依次将.XML文件生成.CSV文件，最终生成.RECORD文件。然后创建.PBTXT轮胎病疵类别标签文件。接下来搭建Faster RCNN神经网络模型，同时下载模型作为预训练的权值，配置对应的配置文件。然后开始训练模型，当迭代次数达到设定值自动停止训练或者模型训练至收敛时，手动停止训练。导出训练模型，最后使用test数据集进行目标检测。

技术领域

本发明涉及利用Tensorflow object detection API和Faster R-CNN神经网络模型进行工业制品病疵检测方法，是一种利用预训练模型进行迁移学习的工业制品病疵检测方法，具体涉及一种工业轮胎X光病疵检测方法。

背景技术

随着经济和社会的快速发展，轮胎工业在生活中扮演了越来越重要的角色，但是由于原料、生产工艺等因素，导致轮胎出现多种不同病疵而影响轮胎质量和使用性能。传统的轮胎质量检测法是通过人眼观察来判定轮胎质量等级。这种方法存在明显的主观性，长时间的工作会使眼睛疲劳，不仅对工人的眼睛造成损伤，也会导致误检。轮胎在高速的自动化工业生产中极易产生质量问题，例如胎体帘线病疵、带束层帘线病疵和异物病疵等一系列问题，这些病疵会直接影响到成品轮胎的质量。若能及时、有效的发现这些轮胎病疵问题，便能大大杜绝大批量问题轮胎的产生，提高轮胎企业的生产效率，从而提高出厂产品质量。所以，找出工业产品中的病疵，确定病疵的位置和类别，是机器视觉领域的核心问题之一。

伴随着深度学习技术真正走进主流学术界和工业界的视野。深度神经网络的出现颠覆了传统的特征提取方式，凭借其强大的表达能力，通过丰富的训练数据和充分的训练能够自主学习有用的特征。这相比传统的人工发现特征并根据特征设计算法的方式是质的飞跃。目前主流的目标检测算法有R-CNN、Fast RCNN、SPPnet、SSD、YOLO、R-FCN、Faster R-CNN等，其中Faster R-CNN在工业制品检测中能满足实时检测、识别准确率高、能准确分类和定位出目标的位置。

本发明采用的工业轮胎X光病疵检测方法满足如下优点：1)使用Tensorflowobject detection API使目标检测更加简洁；2)迁移学习的方法解决了标注数据缺少，标注不准确等问题；3)检测过程稳定可靠，对工业制品病疵目标检测具有普适性，能适应个体差异和环境变化。

发明内容

本发明针对现有的工业病疵检测的不足，提出了一种全新的工业病疵检测方法，能够有效解决现有工业病疵目标检测方法的劣势。

一种基于Tensorflow object detection API下的工业制品病疵目标检测方法，该方法具体包括以下步骤：

步骤一：下载并安装Tensorflow object detection API，配置环境后进行测试官方模型；如果测试通过则此电脑安装配置Tensorflow object detection API成功，否则需重新配置；

步骤二：建立工业轮胎X光病疵数据库，将其分为train数据集，validation数据集和test数据集；使用标记工具LabelImg对train数据集和validation数据集进行一一标注。

步骤三：将标注后生成的.XML文件转换成.CSV文件，然后再将.CSV文件转换为tensorflow使用的数据格式TFRecord文件；并创建.pbtxt轮胎病疵类别标签文件；

步骤四：搭建Faster R-CNN神经网络模型，下载faster_rcnn_inception_v2_coco预训练模型，创建预训练模型的配置文件，配置文件中使用了步骤三中的.TFRecord文件和.pbtxt标签文件。