[发明专利]一种基于卷积神经网络的片材表面缺陷图像识别处理方法

说明书

本发明公开了一种基于卷积神经网络的片材表面缺陷图像识别处理方法，该方法通过收集多种类型的缺陷图像构建可训练数据库来训练一个卷积神经网络模型；再将现场的片材表面成像图像输入已训练的深度学习模型里，获得对当前输入图像的缺陷类型识别结果，并通过像素级梯度加权类激活映射的方式，可获得当前模型对输出结果的可视化解释；最后在获得模型分类结果的前提下，通过对目标缺陷属性的特征值设定限定规则，提升了现有方法的识别精度和适用范围。本发明结合卷积神经网络与图像处理技术，实现了对各类片材表面缺陷快速、准确检测的效果，提高了现有方法的自动化程度和识别精度，且具有较好的可解释性。

技术领域

本发明涉及机器视觉的片材表面缺陷检测技术领域，尤其是涉及一种基于卷积神经网络的片材表面缺陷图像识别处理方法。

背景技术

缺陷识别是片材领域中十分重要的环节，在包括锂电池、铝箔、纸张、无纺布等行业都具有非常广泛的应用。

目前为了满足产品的质量要求，片材质量检验主要通过人工视觉检测和传统图像处理技术来完成。但是，人工检测的方法易受外界干扰以及检测人员的主观影响，长时间的单一重复性工作会使检测人员产生视觉疲劳，导致检测质量和效率低下。

公开号为CN112184615A的中国专利文献公开了一种基于图像处理的织物有色纤维检测系统，包括样品处理、检测处理和图像处理步骤。选用数码显微镜检测布面上有色纤维，将采集到有色纤维布面图像，经图像均衡化、去噪、边缘检测等处理方法，增强有色纤维图像信息，采用双阈值法进行判断。

公开号为CN112666791A的中国专利文献公开了一种缺陷检验方法，包含：接收具有多个图案的衬底；获得所述衬底的灰度图像，其中所述灰度图像包含多个区，且所述区中的每一者具有灰度值；比较每一区的所述灰度值与灰度参考以定义第一群组、第二群组及第N群组，其中所述第一群组、所述第二群组及所述第N群组中的每一者具有至少一区；执行计算以获得得分；及当所述得分大于一个值时，确定所述衬底具有ESD缺陷，且当所述得分小于所述值时，确定所述衬底不具有所述ESD缺陷。

但是，上述传统图像处理的表面缺陷检测技术，在遇到噪声信号时容易导致算法失效，稳定性不高，另一方面算法泛化能力差，难以准确识别复杂多变的产品表面缺陷，进一步导致检测精度的降低。

发明内容

为了克服以上技术的不足，本发明提供了一种基于卷积神经网络的片材表面缺陷图像识别处理方法，解决传统方法对缺陷漏检率高且分类精度低，以及自动检测系统在实际应用中适应性差的问题，同时降低人工成本。

一种基于卷积神经网络的片材表面缺陷图像识别处理方法，包括以下步骤：

（1）采集经过标记的包含各类缺陷类型的图像数据，预处理后根据缺陷图像所属的类别构建训练标签，并划分为训练集、验证集和测试集；

（2）构建以二维卷积神经网络为核心的深度学习模型，通过训练集对深度学习模型进行训练，通过验证集在反向传播的过程中优化模型参数，评估模型分类性能，通过测试集衡量模型的泛化性能；

（3）深度学习模型训练完毕后，将待检测的片材图像预处理后输入深度学习模型中，输出当前图像中缺陷类别的分类结果；

（4）通过加权梯度类激活映射的方式，获得分类结果的可视化解释；

（5）根据深度学习模型输出的分类结果，基于目标缺陷的轮廓计算多种缺陷属性，根据目标缺陷属性的特征值设定相应限定规则，对缺陷类型进一步分类。

进一步地，步骤（1）中，以欠采样的方式，通过随机抽取与各类缺陷类型样本数量相当的背景图像样本，对数据集进行样本均衡。

所述的图像数据由单通道的灰度图像或三通道的RGB图像组成；若为RGB图像，则对每张图像先进行灰度化。