[发明专利]基于深度卷积神经网络的胶原蛋白肠衣缺陷检测模型、检测方法及系统

说明书

本发明涉及胶原蛋白肠衣缺陷检测，具体涉及基于深度卷积神经网络的胶原蛋白肠衣缺陷检测模型、检测方法及系统，模型构建：数据标注；卷积神经网络构建：模型1为基于残差网络的基础模型，用来从原始图像数据中提取肠衣图像数据结构特征；模型2与模型3为下采样模型，用来获取肠衣更广阔的特征视野；模型4为肠衣缺陷类别预测模型，用于对提取的特征分类；模型5为肠衣缺陷边界框绘制模型，用来根据对提取到的特征图生成锚框并预测类别和偏移量；模型训练；构建损失函数；模型评估；模型推理：移除相似的预测边界框，经过置信度阈值调整后输出，检测方法及系统依据该模型构建。本发明提高了肠衣缺陷检测效率及准确率。

技术领域

本发明涉及胶原蛋白肠衣缺陷检测，具体涉及基于深度卷积神经网络的胶原蛋白肠衣缺陷检测模型、检测方法及系统。

背景技术

深度学习是具有多级表示的表征学习方法。从原始数据开始，在每一级，深度学习通过简单函数将该级的表示变换为更高级的表示。因此，深度学习模型也可以看作是由许多简单函数复合而成的函数。当复合函数足够多时，深度学习模型可以表达非常复杂的变换。

卷积神经网络利用原始图像数据作为输入，依次交替经过卷积层和池化层的卷积池化等操作，最后经过全连接层。通过学习任务的损失，利用反向传播算法，更新网络权值和偏置，训练网络模型，再将图片导入网络模型中提取出分类特征，从而完成识别的功能。相比传统胶原蛋白肠衣检测方法，基于卷积神经网络的检测方法能在图像数据提取到高维度特征，这样能应对图像数据在一定程度的尺度变化和变形与形态偏移。并且，通过从大量数据样本种学习到的胶原蛋白肠衣原有特征，可以保证特征具有较高的可分性。因此在卷积神经网络中，使用简单的损失函数就能得到令人满意的检测结果。

胶原蛋白肠衣在生产中往往有个别存在缺陷，如图3所示。人工缺陷检测方案由于肠衣套缩机转速过快，导致无法实时检测，故只能在肠衣套索后进行复检，而套索后肠衣长度将由18米到22米压缩到20厘米左右，难以发现较小的缺陷，因此漏检率非常大。

目前传统机器视觉胶原蛋白肠衣的外观质量检测，由工业相机、筒形光源、工控机及程序算法构成。但由于肠衣套缩前为充气状态，需要3组相机协同工作来满足检测要求。这样一来，对应每组相机都会有其特定的算法参数，而这些参数叠加后会形成一套复杂的调整关系。由于肠衣直径有从Φ18到Φ36近20种类型，所以系统需要存储对应每种类型的数百个参数，并需操作人员具有很强的先验知识储备才能对系统进行调试。

传统机器视觉方法虽然能补偿人工无法实时检测的短板，但是由于算法复杂度搞，需要操作工人具备很强的先验知识才能调整，因此传统机器视觉检测出的缺陷存在随机性强，可靠性差的特点，并且由机器视觉算法计算得出的数值无法做分类判断的短板。

发明内容

本发明的目的是克服上述缺陷，提供一种基于深度卷积神经网络的胶原蛋白肠衣缺陷检测模型、检测方法及系统，以解决现有传统机器视觉检测需要复杂先验知识来人工调整视觉算法以提取肠衣缺陷特征，以及传统机器视觉检测存在随机性强，可靠性差，调整参数过多，难以覆盖所有品种等问题。

本发明的技术方案：基于深度卷积神经网络的胶原蛋白肠衣缺陷检测模型的构建方法，包括：

(1)数据标注：对采集到的图像数据中的缺陷进行标注，用两点坐标分别标出缺陷的坐标最大值与坐标最小值，标注其缺陷种类；

(2)卷积神经网络的构建：设计五个卷积神经模型，模型1为基于残差网络的基础模型，用来从原始图像数据中提取肠衣图像数据结构特征；模型2与模型3为下采样模型，用来获取肠衣更广阔的特征视野；模型4为肠衣缺陷类别预测模型，用于对提取的特征分类；模型5为肠衣缺陷边界框绘制模型，用来根据对提取到的特征图生成锚框并预测类别和偏移量；

(3)模型训练：将五个卷积神经模型合并成为一个最终的肠衣缺陷检测模型，并进行模型训练；

(4)构建损失函数；