[发明专利]一种基于深度学习的工业品不规则缺陷检测方法

说明书

一种基于深度学习的工业品不规则缺陷检测方法，包括：先对采集到的样本图像进行图像增强处理，使缺陷更加明显；然后，以卷积神经网络CNN为基础，结合SSD目标识别模型构建缺陷检测网络基本模型，并合理的设计模型参数；最后，采用非极大值抑制算法减少预测框的数量，采用数据增强操作来扩大数据集，增加网络的训练量，可以有效地提高网络识别性能，解决不规则缺陷的检测难题。本发明在不规则缺陷检测、存在干扰缺陷检测、检测实时性等方面表现优于传统的检测方法，能够满足企业对于一般工业品视觉检测的要求。

技术领域

本发明涉及一种基于深度学习的工业品不规则缺陷检测方法。

技术背景

在工业生产中，工业品的质量问题主要表现在生产缺陷、装配缺陷、各种表面缺陷、产品与设计不符等问题，这些质量问题又受多方面因素影响，诸如生产设备、操作人员、加工工艺等。其中，产品的表面缺陷又是工业品的质量缺陷的主要表现形式。传统的表面缺陷检测方法是人工目视检测，也就是在特定环境下的人眼目视识别，但这样检测的方法存在着很多的弊端，如劳动强度大、工作效率低、成本较高，易受检测人员素质、经验影响等。

工业化大生产带来了产量的快速提升，也对缺陷检测效率带来了考验，得益于计算机视觉技术的快速发展，出现了许多基于计算机视觉技术的自动化检测方法，相较于传统的人工检测方法，自动化缺陷检测技术具有检测效率高、检测数据可保存、成本低等优点。在所有的自动化检测技术中，应用最为广泛的当属机器视觉检测。机器视觉检测技术，是通过计算机的图像处理算法对采集到的数字图像进行处理，获取到目标的特征信息，通过计算机的判断，反馈结果给执行器，进而控制执行器达到预定的动作。但无可避免的是，机器视觉检测技术仍然存在着一些缺陷，比如：对于缺陷不规则的产品检测效果不佳；受限于计算机的计算能力，对计算能力要求高；具有实时性问题。总之，传统的人工检测方法和以机器视觉检测为主的一些视觉检测技术均存在着不足，无法满足工业品检测市场的需求，急需一种满足市场需求的检测方法。

发明内容

为了克服现有技术的上述不足，本发明针对一些不规则缺陷问题提供了一种基于深度学习的工业品不规则缺陷检测方法。

本发明先对采集到的样本图像进行图像增强处理，使缺陷更加明显；然后，以卷积神经网络CNN为基础，结合SSD目标识别模型构建缺陷检测网络基本模型，并合理的设计模型参数；最后，采用非极大值抑制算法减少预测框的数量，采用数据增强操作来扩大数据集，增加网络的训练量，可以有效地提高网络识别性能，解决不规则缺陷的检测难题。

为实现上述目的，本发明采用以下技术方案：

一种基于深度学习的工业品不规则缺陷检测方法，包括如下步骤：

步骤一，图像增强处理；

图像灰度直方图描述的是图像中具有该灰度级的像素点的个数。通常以横轴表示灰度级，以纵轴表示每一灰度级的像元数个数或该像元数占总像元数的比例值，以此做出的条形统计图即为灰度直方图。

每幅图像都可以做出灰度直方图，并且可以根据图像的直方图分布来确定图像质量，因此，本发明选择采用直方图均衡化和直方图匹配的方法，通过改变图像的灰度直方图来改变图像的显示效果，从而使图像中的缺陷更加明显，减少干扰因素的影响。

1.1)直方图均衡化；

图像的直方图表现了图像的灰度分布情况，当直方图的灰度集中分布在低值区域时，图像的亮度较低；当直方图的灰度集中在高值区域时，图像亮度较高。当直方图集中在中值区域时，得到的是低对比度的图像；当直方图分布较为均匀且分布较广时，得到的是高对比度的图像。因此，可以采用使图像灰度级均匀分布的方法，来提高图像的对比度，使图像变得清晰。

直方图均衡化的具体操作步骤如下所示：

(1)统计直方图各灰度级；