[发明专利]一种基于AI的磁芯产品缺陷检测系统及方法

说明书

本发明公开了一种基于AI的磁芯产品缺陷检测系统及方法，包括相机图像获取和预处理模块、预训练的基于Inception_v3的SSD模型、综合筛选模块和模型运算调度模块，相机图像获取和预处理模块获取图像并预处理供模型运算调度模块进行后续操作；所述预训练模型对图像进行目标检测和分类，输出候选框、分类结果、置信分数；所述的综合筛选模块根据SSD模型的检测结果进行进一步判断产品是否合格；所述的模型运算调度模块分配各进程同步使用SSD模型模型进行计算。本发明具有移植简单、检测速度快、可检出缺陷广、准确率高的特点。

技术领域

本发明属于人工智能技术领域，具体涉及一种基于AI的磁芯产品缺陷检测系统及方法。

背景技术

物体识别被广泛应用于当下的智能监控设备中，比如较为成熟的人脸识别、车牌识别等。但是相对于固定特征的人脸、数字等图像，对于零件的瑕疵识别就存在瑕疵类型不固定、瑕疵大小不固定、零件位置形态不固定、拍摄情况不固定等多重问题。另外，对于零件合格检测，要求运算速度极快，单GPU的图像算法难以达到流水线的速度要求。基于人工智能的多GPU图像检测算法很好的克服了这一问题。

近年来，人工智能在图形图像领域有突出成果，随着R-CNN（region with CNNfeatures）的提出，其开始广泛应用于现下机器视觉系统，包括物体识别、自动分割、无人驾驶等领域。SSD沿用了YOLO中直接回归 bbox和分类概率的方法，同时又参考了Faster R-CNN大量使用anchor来提升识别准确度的方法。通过把这两种结构相结合，SSD保持了很高的识别速度和较高的识别精度。

另外，网络的深度很大程度上决定了模型的性能，更多的网络层数，为提取更复杂的特征模式创造了可能，从而使得模型更加优秀。但是，常见网络在加深后会出现网络退化问题，即随着深度增加网络准确度趋于饱和或退化，Inception网络在基础上化解了这一问题。其通过堆叠1x1，3x3，5x5的卷积层和3x3的池化层，一方面增加了网络的宽度，另一方面增加了网络对尺度的适应性。进一步的，使用改进的Inception_v3替代普通的Inception网络。基于Inception_v3的SSD，在此基础上进一步学习VGG用2个3x3的卷积替代inception模块中的5x5卷积，并将3x3拆分成两个一维卷积（1x3，3x1）。较常用的基于VGG16模型准确率更高，能更好地使用于瑕疵种类繁多的磁芯质量检测。

综上，对于不同角度磁芯上的不同瑕疵，使用专门训练后的SSD模型对相机拍摄的预处理图像进行物体识别，相对于传统物体识别方法具有适用范围广、准确率高等优势，同时对检测各种潜在的可能瑕疵都有非常好的表现。即使对于一些特殊的瑕疵，也只需要对模型特殊训练即可，而无需重新设计整体方案。在识别的基础上，使用聚类分析对识别结果进一步评分以区分出合格、不合格、重检三种情况。通过对GPU算力的调度，使得多个模型可以同时进行计算，从而提高计算速度，以流水线作业速度，做到及时识别及时反馈。

发明内容

本发明的目的是针对传统图形学方法难以对磁芯瑕疵检测的复杂情况提出普适高效算法的问题，提出一种基于AI的磁芯产品缺陷检测系统及方法。本发明充分利用Inception网络在特征提取上的优势，并辅以多尺度运算提供候选区域以缩短计算时间，以Inception_v3替换传统VGG16网络增加网络深度提高网络准确率，最后对于检测到的目标采用聚类分进一步分析磁芯瑕疵情况。

本发明通过以下技术方案加以实现：

所述的一种基于AI的磁芯产品缺陷检测系统，其特征在于包括：

相机图像获取和预处理模块：用于获取视频中的图像并转码供模型运算调度模块进行后续操作；

预训练的基于Inception_v3的SSD模型：用于对图像进行目标检测和分类，输出候选框、分类结果、置信分数；