[发明专利]一种基于双重神经网络的产品表面缺陷检测方法及系统

说明书

本发明公开了一种基于双重神经网络的产品表面缺陷检测方法，包括以下步骤：S1：收集带有缺陷的样本图像；S2：对样本图像进行处理，形成数据集；S3：采用数据集分别训练提前搭建好的第一神经网络和第二神经网络，得到对应的第一缺陷预测模型和第二缺陷预测模型；S4：利用CCD探测阵列实时采集待测图像；S5：将待测图像进行预处理后依次输入第一缺陷预测模型和第二缺陷预测模型，得到图像上缺陷的类型、尺寸及位置。本发明解决模型训练所需数据量较大，漏检率高、误检率高、效率低等问题。

技术领域

本发明涉及机器视觉检测技术领域，具体涉及一种基于双重神经网络的产品表面缺陷检测方法及系统。

背景技术

随着我国国民经济的高速发展，人们对工业产品的质量要求也越来越高，作为影响产品质量的重要因素之一，产品表面的缺陷检测是最直观也是最重要的检测环节。产品表面缺陷的存在往往是由生产中工艺制度的破坏或运输过程的差错而造成的，及时对产品进行缺陷检测有利于提高产品品质，节约生产成本，避免工艺浪费。

目前工业产品的表面缺陷检测大多采用人工目检的方式，人工检测需要耗费大量的时间和精力，并且很难保证长时间的检测准确度。尤其是在细微的缺陷检测方面，宽度小于50μm的极细微缺陷很难被人工成功检出。

现有的深度学习网络对明显的划痕等缺陷检测准确度较高，但对宽度小于50μm的轻微缺陷存在比较严重的误检测与漏检测情况，难以满足实际需求，且学习模型参数多，训练难度大，效率低。

发明内容

本发明的目的是提供一种基于双重神经网络的产品表面缺陷检测方法及系统，解决模型训练所需数据量较大，漏检率高、误检率高、效率低等问题。

为了解决上述技术问题，本发明提供了一种基于双重神经网络的产品表面缺陷检测方法，包括以下步骤：

S1：收集带有缺陷的样本图像；

S2：对样本图像进行处理，形成数据集；

S3：采用数据集分别训练提前搭建好的第一神经网络和第二神经网络，得到对应的第一缺陷预测模型和第二缺陷预测模型；

S4：利用CCD探测阵列实时采集待测图像；

S5：将待测图像进行预处理后依次输入第一缺陷预测模型和第二缺陷预测模型，得到图像上缺陷的类型、尺寸及位置。

作为本发明的进一步改进，所述步骤S2中对样本图像进行处理包括以下步骤：

S21：统一样本图像的尺寸；

S22：采用中值滤波算法对样本图像进行降噪，使用自适应限制对比度自适应直方图均衡化算法通过计算图像的局部直方图，重新分布亮度改变图像对比度对图像进行增强，使样本图像中的缺陷更加突出；

S23：对样本图像进行平移、翻转或旋转，扩充样本；

S24：采用labelimg标记样本图像上的缺陷区域以及缺陷的缺陷的类型、尺寸和位置，将标记好的样本图像作为训练的数据集。

作为本发明的进一步改进，所述步骤S3中第一神经网络采用yolo-v3神经网络进行训练得到第一缺陷预测模型，所述yolo-v3神经网络包括Darknet-53主干特征提取网络、25个卷积层以及两个全连接层，其中，Darknet-53采用残差网络Residual。

作为本发明的进一步改进，所述yolo-v3神经网络进行训练前，将进行训练的数据集中每张样本图片分成S*S个网格，每个网格产生多个可能包含缺陷的矩形框，每张样本图片上标签的位置由六个参数构成，分别为w，h，x，y，conf，其中，w，h是矩形框宽高，x，y是矩形框中心位置的调整参数，conf是矩形框中是否含有缺陷的置信度。