[发明专利]基于深度学习模型AGLNet的工业产品表面缺陷自适应检测方法

说明书

本发明提供一种基于深度学习模型AGLNet的工业产品表面缺陷自适应检测方法，其特征在于，包括以下步骤：步骤S1，对流水线上的工业产品的表面缺陷进行图像采集得到缺陷图像；步骤S2，对缺陷图像进行人为标注，得到不同类别的标签文件；步骤S3，对缺陷图像进行图像增强操作得到增强图像；步骤S4，将标签文件以及对应的增强图像作为表面缺陷数据集；步骤S5，构建基于深度学习网络的缺陷检测器模型，将表面缺陷数据集作为输入，基于深度学习模型AGLNet对制造过程的缺陷数据进行训练；步骤S6，通过训练好的AGLNet模型对工业生产线上的产品进行实时缺陷检测，获取缺陷的类型以及位置信息；步骤S7，对缺陷的类型以及位置信息进行整理统计，分析缺陷产生的原因。

技术领域

本发明属于产品缺陷检测技术领域，涉及一种基于深度学习模型AGLNet的工业产品表面缺陷自适应检测方法。

背景技术

我国的工业制造产业发展方向朝着高可靠性、高精度、零缺陷和智能化高速发展。高精度、高速度且稳定程度高是工业产品缺陷检测与识别过程中的重要一环，产品部件表面是否存在缺陷时判定一个产品是否满足工业质量要求的重要依据。传统工业上对产品部件表面缺陷的识别与检测主要是通过人工质检的方式完成，但是人工检测方法耗费大量人力，且存在效率低、精度低且人力成本高等问题，满足不了长时间的实时检测的需求。因此，在实际的工业缺陷检测中迫切需要使用机器通过使用计算机技术来自动检测产品表面的缺陷。

基于人工特征的机器视觉检测技术在一定程度上弥补了人工质检的弊端，实现了缺陷自动检测，具有分类能力强、检测精度高和检测成本低等优点，提高了工业生产良品率。但是该检测方法仍然存在以下不足之处，难以满足工业生产的实际需求：首先，人工特征提取过程复杂，且特征信息很难包含所有缺陷特征；第二，特征提取依然存在人为介入过多的问题，依赖于人为设计的特征，很难具有良好的可移植性；同时，在较为复杂的检测环境、复杂缺陷空间集聚或者多目标的检测环境中，基于机器视觉的检测准确度相对较差，且泛化能力较差；最后，当被检测的产品类型发生变化后，所有基于机器视觉的算法和参数都需要重新设计和开发。

发明内容

为解决上述问题，提供一种高效率、高精度以及良好适用性的缺陷检测方法，本发明采用了如下技术方案：

本发明提供了一种基于深度学习模型AGLNet的工业产品表面缺陷自适应检测方法，其特征在于，包括以下步骤：步骤S1，对流水线上的工业产品的表面缺陷进行图像采集得到缺陷图像；步骤S2，基于图像标注模块对缺陷图像进行人为标注，得到不同类别的标签文件；步骤S3，对缺陷图像进行图像增强操作得到增强图像；步骤S4，将标签文件以及对应的增强图像作为表面缺陷数据集；步骤S5，构建基于深度学习网络的缺陷检测器模型，将表面缺陷数据集作为输入，基于深度学习模型AGLNet对制造过程的缺陷数据进行训练；步骤S6，通过训练好的AGLNet模型对工业生产线上的产品进行实时缺陷检测，获取缺陷的类型以及位置信息；步骤S7，对缺陷的类型以及位置信息进行整理统计，分析缺陷产生的原因，其中，深度学习模型AGLNet由ResNet_FPN特征提取网络、AT-RPN候选框提取网络以及Global local regression算法模块合并得到。

本发明提供的基于深度学习模型AGLNet的工业产品表面缺陷自适应检测方法，还可以具有这样的技术特征，其中，图像增强操作为对缺陷图像进行图像反转、图像平移、图像亮度变化以及增强噪声。

本发明提供的基于深度学习模型AGLNet的工业产品表面缺陷自适应检测方法，还可以具有这样的技术特征，其中，标签文件含有缺陷类别信息以及缺陷位置信息，标签文件为xml文件，每一张缺陷图像对应一个xml文件。