[发明专利]一种应用于螺钉表面缺陷检测的深度卷积神经网络方法

摘要

本发明属于机器视觉领域，涉及一种应用于螺钉表面缺陷检测的深度卷积神经网络方法。该方法通过深度卷积神经网络对螺钉表面图像进行训练，建立应用于螺钉表面缺陷检测的深度卷积神经网络模型。经过测试选出最优的深度卷积神经网络模型，利用彩色摄像机采集螺钉表面图片，由最优的深度卷积神经网络模型对螺钉表面图片进行检测。本发明设计的深度卷积神经网络，可以有效的解决复杂背景下的螺钉表面缺陷检测的难题。

主权项

1.本发明所设计的深度卷积神经网络方法，其特征是：对螺钉表面缺陷进行检测，步骤如下：步骤1：选取含有N类螺钉表面图像的数据集，对所述的N类螺钉表面图像设置不同颜色矩形边框，所述的数据集包含训练图像X张，测试图像Y张，将所述的数据集的图像大小统一设置为3通道像素值为32×32的图像；步骤2：深度卷积神经网络模型的第一层输入层参数I1＝m1×m1×n1，设置m1＝32，n1＝3；步骤3：步骤2中所述的深度卷积神经网络模型的第二层卷积层参数C1＝m2×m2×n2，设置m2＝3，n2＝16；步骤4：步骤2中所述的深度卷积神经网络模型的第三层池化层参数P1＝m3×m3×n3，设置m3＝2，n3＝1；步骤5：步骤2中所述的深度卷积神经网络模型的第四层卷积层参数C2＝m4×m4×n4，设置m4＝3，n4＝32；步骤6：步骤2中所述的深度卷积神经网络模型的第五层池化层参数P2＝m5×m5×n5，设置m5＝2，n5＝1；步骤7：步骤2中所述的深度卷积神经网络模型的第六层卷积层参数C3＝m6×m6×n6，设置m6＝3，n6＝64；步骤8：步骤2中所述的深度卷积神经网络模型的第七层池化层参数P3＝m7×m7×n7，设置m7＝2，n7＝1；步骤9：步骤2中所述的深度卷积神经网络模型的第八层全连接层输入参数FI1＝(m1/m3/m5/m7)2×n6，设置所述的深度卷积神经网络模型的第八层全连接层输出参数FO1＝500；步骤10：步骤2中所述的深度卷积神经网络模型的第九层全连接层输入参数FI2＝FO1，设置所述的深度卷积神经网络模型的第九层全连接层输出参数FO2＝160；步骤11：步骤2中所述的深度卷积神经网络模型的第十层全连接层输入参数FI3＝FO2，所述的深度卷积神经网络模型的第十层全连接层输出参数为步骤1中所述的N；步骤12：设置深度卷积神经网络模型的激励函数，所述的激励函数如公式(1)所示；R(x)＝max(x)  公式(1)其中，当R(x)＞0时，R(x)等于自身，当R(x)≤0时，R(x)等于0；步骤13：设置深度卷积神经网络模型的正则化函数，所述的正则化函数如公式(2)所示；其中，C0表示任意损失函数，ω表示模型的所有权值，λ表示正则化函数；步骤14：设置深度卷积神经网络模型的梯度下降算法，所述的梯度下降算法如公式(3)至公式(7)所示；mt＝μ*mt‑1+(1‑μ)*gt  公式(3)其中，m_t，n_t分别表示对梯度的一阶矩估计和二阶矩估计，g_t表示梯度，μ，v表示动态因子，表示m_t，n_t的校正；ε为常数确保分母不为0，η表示学习率，表示对学习率的一个动态约束；步骤15：将步骤1中的X张训练图像导入步骤2至步骤14设置好的深度卷积神经网络模型进行训练；步骤16：将步骤1中的Y张测试图像导入步骤15中训练好的深度卷积神经网络模型进行测试；步骤17：启动采集图像的彩色摄像机，采集待检测螺钉表面图像；步骤18：对步骤17中所述的待检测螺钉表面图像进行灰度化处理得到灰度图像；步骤19：对步骤18中所述的灰度图像进行二值化处理得到二值化图像；步骤20：对步骤19中所述的二值化图像进行轮廓查询获取轮廓信息；步骤21：对步骤20中所述的轮廓信息通过轮廓面积限定对所述的轮廓进行筛选获取筛选后的轮廓信息；步骤22：对步骤21中所述的筛选后的轮廓信息进行矩形边框操作，获取螺钉表面图像及螺钉表面的位置信息；步骤23：将步骤22中所述的螺钉表面图像输入至步骤14测试好的深度卷积神经网络模型进行螺钉表面缺陷分类检测，得到螺钉表面缺陷分类检测结果；步骤24：通过步骤22中所述的螺钉表面位置信息及步骤23中所述的螺钉表面缺陷分类检测结果，对步骤17中所述的彩色摄像机采集到的待检测螺钉表面图像进行步骤1中所述的不同颜色矩形边框标识，得到检测结果，检测结束。