[发明专利]一种基于形状特征的皮革表面缺陷检测方法有效
申请号: | 201910861495.X | 申请日: | 2019-09-12 |
公开(公告)号: | CN110660048B | 公开(公告)日: | 2022-05-17 |
发明(设计)人: | 张发恩;吴珂 | 申请(专利权)人: | 创新奇智(合肥)科技有限公司 |
主分类号: | G06T7/00 | 分类号: | G06T7/00 |
代理公司: | 北京中南长风知识产权代理事务所(普通合伙) 11674 | 代理人: | 郑海 |
地址: | 230001 安徽省合肥市高新区习友路333*** | 国省代码: | 安徽;34 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 形状 特征 皮革 表面 缺陷 检测 方法 | ||
本发明公开了计算机视觉和机器学习领域的一种基于形状特征的皮革表面缺陷检测方法,包括以下具体步骤:S1:获取皮革表面正常样本和异常样本,并使用其他在人工物体表面含有自然形成的不规则纹理的图像作为训练数据;S2:输入图像数据,进行图像预处理,以增强形状特征;S3:增强后的图像输入到特征提取网络,提取卷积特征;S4:最后一层卷积层作为检测网络,用于检测特定目标,网络的输出向量为是否目标的概率和目标的位置和宽高;S5:分别计算分类损失和目标位置与宽高损失,得到加权的损失函数;S6:通过随机梯度下降法更新网络权值,避免了在实际检测任务中难以获取缺陷样本的问题,为不同场景的同类应用提供了一种通用的检测方案。
技术领域
本发明涉及计算机视觉和机器学习技术领域,具体为一种基于形状特征的皮革表面缺陷检测方法,应用于皮革表面不规则纹理的缺陷检测和各类含有复杂人工纹理的表面不规则纹理缺陷检测。
背景技术
在视觉检测领域,表面缺陷一直是较为复杂和困难的问题,因为表面的缺陷往往和背景纹理混合在一起,难以通过有效的图像处理技术使其有效区分。在传统机器视觉技术中,带通滤波是一种较为通用的表面缺陷检测方法,设计者通过一个精细确定参数的带通滤波器,使得缺陷纹理在通过滤波器后产生一个强响应,而背景纹理对带通滤波器产生弱响应,这样就可以在滤波处理后的图像中,检测响应峰值来确定缺陷的具体位置。但由于背景纹理和缺陷问题在不同的场景中各不相同,设计者需要精确地调整滤波器参数以适应场景变化,在使用上受到较大限制。随着深度学习技术的发展,深度学习也在表面缺陷检测中被广泛使用,深度学习技术强大的特征提取能力使得传统算法中难以处理的问题迅速得到了解决。为提高检测准确率,使用深度学习技术检测表面缺陷时同样需要针对单个场景进行样本训练,然而现实的情况是,在特定的生产过程中,获取缺陷样本是一件非常困难且耗时的事情,这导致现有方法不得不依赖于少量样本进行训练,进而检测准确率难以提高到让人满意的程度。
基于此,本发明设计了一种基于形状特征的皮革表面缺陷检测方法,以解决上述提到的问题。
发明内容
本发明的目的在于提供一种基于形状特征的皮革表面缺陷检测方法,避免了在实际检测任务中难以获取缺陷样本的问题,为不同场景的同类应用提供了一种通用的检测方案,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于形状特征的皮革表面缺陷检测方法,包括以下具体步骤:
S1:获取皮革表面正常样本和异常样本,并使用其他在人工物体表面含有自然形成的不规则纹理的图像作为训练数据;
S2:输入图像数据,进行图像预处理,以增强形状特征;
S3:增强后的图像输入到特征提取网络,提取卷积特征;
S4:最后一层卷积层作为检测网络,用于检测特定目标,网络的输出向量为是否目标的概率和目标的位置和宽高;
S5:分别计算分类损失和目标位置与宽高损失,得到加权的损失函数;
S6:通过随机梯度下降法更新网络权值。
优选的,在所述步骤S1中,异常样本不仅包含皮革表面的异常样本,还包括广泛存在的人工物体表面含有自然形成的不规则纹理的图像。
优选的,在所述步骤S2中,图像预处理主要包括:
S2.1:对图像进行各向异性扩散滤波处理,在进行图像降噪的同时,保持形状纹理清晰;
S2.2:对图像做适当的亮度和对比度调整;
S2.3:对图像做随机仿射变换进行数据增强。
优选的,在所述步骤S3中,特征提取网络是一种深度卷积网络,可以使用的网络结构包括但不限于LeNet,AlexNet,VGG,Inception,ResNet。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于创新奇智(合肥)科技有限公司,未经创新奇智(合肥)科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910861495.X/2.html,转载请声明来源钻瓜专利网。