[发明专利]一种基于改进Faster R-CNN的注塑件缺陷检测方法

说明书

本发明公开了一种基于改进Faster R‑CNN的注塑件缺陷检测方法，包括以下步骤：采集有缺陷的注塑件产品表面的图片作为样本，对样本数据进行扩充并打标签，构建样本数据集；S2、分别从特征提取、特征融合、小目标检测能力三个维度改进Faster R‑CNN网络模型；S3、采用K‑measn++算法对样本数据集进行聚类，利用样本数据集的聚类结果对改进后的Faster R‑CNN网络模型进行训练；S4、使用训练后的Faster R‑CNN网络模型对注塑件进行缺陷检测。本方法与传统注塑件检测技术相比，实现了对注塑件缺陷的快速、准确检测，能够更好的检测注塑件中的气泡小目标缺陷。

技术领域

本发明涉及注塑件缺陷检测技术领域，更具体地，涉及一种基于改进Faster R-CNN的注塑件缺陷检测方法。

背景技术

传统工业产品表面缺陷检测方法一般采用基于图像处理算法和人工设计特征加分类器方法进行缺陷检测。一般包括结构法、统计法、滤波法、模型法等。其中结构法又包含边缘、骨架、形态学等；统计法包含直方图、局部二值化特征LBP、纹理特征、灰度共生矩阵GLCM等；滤波法包含空间滤波、频域滤波(傅里叶、gabor、小波)等；模型法包含随机场模型、反散射模型和分形体等。它们的本质都是通过人工设计特征加上分类器或规则来对产品表面进行缺陷检测。传统表面缺陷检测方法的优点是计算迅速、需要计算资源小、实时性强、效率高。

但传统的表面缺陷检测方法存在以下缺点：对成像环境要求相对苛刻，易被干扰，需要缺陷和非缺陷区域之间有着高对比度，少噪声等；适应性差，容易受到成像环境的影响，需要根据成像环境变化或缺陷类型变化更改阈值或重新设计算法；准确率不高，传统的图像处理方法难以准确识别复杂多变的产品表面缺陷。

基于深度学习的表面缺陷检测方法一般使用深度神经网络和大数据技术的方法，即基于卷积神经网络CNN等方法对产品表面进行缺陷检测。基于深度学习的方法的本质是基于大数据和神经网络的方法从大量的数据中自动学习特征，拟合数学模型，从而实现对产品表面的缺陷检测，优点是识别准确率高、适应性强，但存在如下缺点：计算速度慢，占用资源多，对运行的硬件环境要求高，需要高性能的运算单元，很难满足实时性要求；需要海量产品外观数据量支撑，数据不充分时神经网络会出现欠拟合等问题。

现有技术公开了一种基于深度学习的工业自动表面缺陷检测方法，该方法采集了工业产品的表面缺陷图像并进行处理以及缺陷标注得到了表面缺陷数据集，并根据该表面缺陷数据集对RetinaNet的锚点进行了优化，然后根据优化后的锚点建立了RetinaNet深度学习模型作为表面缺陷检测模型，再对该模型进行训练后，即可对工业产品的表面缺陷进行检测。该方法的缺陷是，针对注塑件中的气泡小目标缺陷的检查效果不是很好。

为此，结合以上需求和现有技术中计算速度慢、占用资源多以及针对注塑件中的气泡小目标缺陷的检查效果不是很好的缺陷，本申请提出了一种基于改进Faster R-CNN的注塑件缺陷检测方法。

发明内容

本发明提供了一种基于改进Faster R-CNN的注塑件缺陷检测方法，能够快速、准确地检测注塑件中气泡小目标的缺陷。

本发明的首要目的是为解决上述技术问题，本发明的技术方案如下：

本发明第一方面提供了一种基于改进Faster R-CNN的注塑件缺陷检测方法，本方法包括以下步骤：

S1、采集有缺陷的注塑件产品表面的图片作为样本，对样本数据进行扩充并打标签，构建样本数据集。

S2、分别从特征提取、特征融合、小目标检测能力三个维度改进Faster R-CNN网络模型。

S3、采用K-measn++算法对样本数据集进行聚类，利用样本数据集的聚类结果对改进后的Faster R-CNN网络模型进行训练。

S4、使用训练后的Faster R-CNN网络模型对注塑件进行缺陷检测。