CN109102493A - 一种基于cnn和lr的汽车钣金件裂纹检测系统 - Google Patents
一种基于cnn和lr的汽车钣金件裂纹检测系统 Download PDFInfo
- Publication number
- CN109102493A CN109102493A CN201810716315.4A CN201810716315A CN109102493A CN 109102493 A CN109102493 A CN 109102493A CN 201810716315 A CN201810716315 A CN 201810716315A CN 109102493 A CN109102493 A CN 109102493A
- Authority
- CN
- China
- Prior art keywords
- cnn
- vector
- feature
- sample
- metal plate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Abstract
本发明公开了一种基于CNN和LR的汽车钣金件裂纹检测系统,具体检测流程如下:首先人工标注正负样本;然后采用模型进行训练,训练时采用CNN将图像映射为固定维度的一维向量,以向量为特征,采用LR训练模型参数;最后对新的产品图像进行预测,确定是否合格。CNN输入层由32×32个感知节点组成,接收原始图像,然后,计算流程在卷积和子抽样之间交替进行,最终得到输出向量,最终的输出向量采用LR进行预测,判断其label。本技术方案实现了一种基于CNN和LR的汽车钣金件检测系统,CNN神经网络泛化能力很强,可以保证高的准确率,解决了之前人工检测准确率低、劳动强度大的问题,降低了公司成本。
Description
技术领域
本发明涉及一种汽车钣金件裂纹检测系统,特别涉及一种基于CNN和LR的汽车钣金件裂纹检测系统,属于汽车检测技术领域。
背景技术
汽车钣金件: 汽车钣金件是汽车上必不可少的零部件,钣金件是汽车白车身的组成部分,每辆汽车都使用了至少上百种不同的钣金件,在汽车上发挥着非常重要的作用,其质量问题直接影响到汽车的安全、整车质量及主机厂的生产节拍。
汽车钣金件检测:针对每个汽车钣金件产品,需要检测是外轮廓大小、孔数尺寸、角度以及表面裂纹等,这些都可以通过检测钣金件的图像,归图像进行分类,确定其是否合格。可以将这些问题转化为图像二分类问题。
CNN: 全称为卷积神经网络,是深度学习技术中极具代表的网络结构之一。在图像处理领域取得了很大的成功。图像处理中,往往会将图像看作为一个二维向量,例如可以看做是一个28 × 28的二维向量,将28*28的向量进行多次卷积和池化,最终形成一个特定维度的一维向量,最后对这个向量进行预测,决定其类别。
LR:全称为logistic regressive,模型都具有 w‘x+b,其中w和b是待求参数,其区别在于他们的因变量不同,多重线性回归直接将w‘x+b作为因变量,即y =w‘x+b,而logistic回归则通过函数L将w‘x+b对应一个隐状态p,p =L(w‘x+b),然后根据p 与1-p的大小决定因变量的值。如果L是logistic函数,就是logistic回归,如果L是多项式函数就是多项式回归。LR的二分类的更为常用,也更加容易解释,多类可以使用softmax方法进行处理。实际中最为常用的就是二分类的logistic回归。
人工检测的问题有以下几点:耗时过长,效率低下。容易出现漏检和误检。专业技能检测人员需求较大。检测人员劳动强度很大。无检测过程数据,无法反映生产过程数据。
发明内容
本发明要解决的技术问题是克服现有技术的缺陷,提供一种基于CNN和LR的汽车钣金件裂纹检测系统。
为了解决上述技术问题,本发明提供了如下的技术方案:
本发明提供了一种基于CNN和LR的汽车钣金件裂纹检测系统,具体检测流程如下:
1)人工标注正负样本;
2)采用模型进行训练:首先采用CNN将图像映射为固定维度的一维向量,以向量为特征,采用LR训练模型参数;
3)对新的产品图像进行预测,确定是否合格。
作为本发明的一种优选技术方案,CNN将输入图像映射为固定维度向量的流程如下:
输入层由32×32个感知节点组成,接收原始图像,然后,计算流程在卷积和子抽样之间交替进行,如下所述:
第一隐藏层进行卷积,它由6个特征映射组成,每个特征映射由28×28个神经元组成,每个神经元指定一个 5×5 的接受域;
第二隐藏层实现子抽样和局部平均,它同样由 6 个特征映射组成,但其每个特征映射由14×14 个神经元组成。每个神经元具有一个 2×2 的接受域,一个可训练系数,一个可训练偏置和一个 sigmoid 激活函数。可训练系数和偏置控制神经元的操作点。
第三隐藏层进行第二次卷积,它由 16个特征映射组成,每个特征映射由 10×10个神经元组成。该隐藏层中的每个神经元可能具有和下一个隐藏层几个特征映射相连的突触连接,它以与第一个卷积层相似的方式操作。
第四个隐藏层进行第二次子抽样和局部平均计算。它由 16 个特征映射组成,但每个特征映射由 5×5 个神经元组成,它以与第一次抽样相似的方式操作。
第五个隐藏层实现卷积的最后阶段,它由 120 个神经元组成,每个神经元指定一个 5×5 的接受域。
最后是个全连接层,得到输出向量。
作为本发明的一种优选技术方案,最终的输出向量采用LR进行预测,判断其label:
其中,卷积层,用来学习输入数据的特征表征,卷积层由很多的卷积核(convolutionalkernel)组成,卷积核用来计算不同的feature map;
激励函数(activation function)给CNN卷积神经网络引入了非线性,常用的有sigmoid 、tanh、 ReLU函数;
池化层降低卷积层输出的特征向量,同时改善结果(使结构不容易出现过拟合),典型应用有average pooling 和 max pooling;
全连接层将卷积层和Pooling 层堆叠起来以后,就能够形成一层或多层全连接层,这样就能够实现高阶的推力能力。
本发明所达到的有益效果是:本技术方案实现了一种基于CNN和LR的汽车钣金件检测系统,CNN神经网络泛化能力很强,可以保证高的准确率,解决了之前人工检测准确率低、劳动强度大的问题,降低了公司成本。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明的整体流程图;
图2是本发明CNN的训练网络结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1
如图1-2所示,本发明提供了一种基于CNN和LR的汽车钣金件裂纹检测系统,具体检测流程如下:
1)人工标注正负样本;
2)采用模型进行训练:首先采用CNN将图像映射为固定维度的一维向量,以向量为特征,采用LR训练模型参数;
3)对新的产品图像进行预测,确定是否合格。
CNN将输入图像映射为固定维度向量的流程如下:
输入层由32×32个感知节点组成,接收原始图像,然后,计算流程在卷积和子抽样之间交替进行,如下所述:
第一隐藏层进行卷积,它由6个特征映射组成,每个特征映射由28×28个神经元组成,每个神经元指定一个 5×5 的接受域;
第二隐藏层实现子抽样和局部平均,它同样由 6 个特征映射组成,但其每个特征映射由14×14 个神经元组成。每个神经元具有一个 2×2 的接受域,一个可训练系数,一个可训练偏置和一个 sigmoid 激活函数。可训练系数和偏置控制神经元的操作点。
第三隐藏层进行第二次卷积,它由 16个特征映射组 成,每个特征映射由 10×10个神经元组成。该隐藏层中的每个神经元可能具有和下一个隐藏层几个特征映射相连的突触连接,它以与第一个卷积 层相似的方式操作。
第四个隐藏层进行第二次子抽样和局部平均计算。它由 16 个特征映射组成,但每个特征映射由 5×5 个神经元组成,它以 与第一次抽样相似的方式操作。
第五个隐藏层实现卷积的最后阶段,它由 120 个神经元组成,每个神经元指定一个 5×5 的接受域。
最后是个全连接层,得到输出向量。
最终的输出向量采用LR进行预测,判断其label:
其中,卷积层,用来学习输入数据的特征表征,卷积层由很多的卷积核(convolutionalkernel)组成,卷积核用来计算不同的feature map;
激励函数(activation function)给CNN卷积神经网络引入了非线性,常用的有sigmoid 、tanh、 ReLU函数;这里我们使用了sigmoid函数。
池化层降低卷积层输出的特征向量,同时改善结果(使结构不容易出现过拟合),典型应用有average pooling 和 max pooling;
全连接层将卷积层和Pooling 层堆叠起来以后,就能够形成一层或多层全连接层,这样就能够实现高阶的推力能力。
本发明所达到的有益效果是:本技术方案实现了一种基于CNN和LR的汽车钣金件检测系统,CNN神经网络泛化能力很强,可以保证高的准确率,解决了之前人工检测准确率低、劳动强度大的问题,降低了公司成本。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于CNN和LR的汽车钣金件裂纹检测系统,其特征在于,具体检测流程如下:
1)人工标注正负样本;
2)采用模型进行训练:首先采用CNN将图像映射为固定维度的一维向量,以向量为特征,采用LR训练模型参数;
3)对新的产品图像进行预测,确定是否合格。
2.根据权利要求1所述的一种基于CNN和LR的汽车钣金件裂纹检测系统,其特征在于,CNN将输入图像映射为固定维度向量的流程如下:
输入层由32×32个感知节点组成,接收原始图像,然后,计算流程在卷积和子抽样之间交替进行,如下所述:
第一隐藏层进行卷积,它由6个特征映射组成,每个特征映射由28×28个神经元组成,每个神经元指定一个 5×5 的接受域;
第二隐藏层实现子抽样和局部平均,它同样由 6 个特征映射组成,但其每个特征映射由14×14 个神经元组成,每个神经元具有一个 2×2 的接受域,一个可训练系数,一个可训练偏置和一个 sigmoid 激活函数,可训练系数和偏置控制神经元的操作点;
第三隐藏层进行第二次卷积,它由 16个特征映射组成,每个特征映射由 10×10 个神经元组成,该隐藏层中的每个神经元可能具有和下一个隐藏层几个特征映射相连的突触连接,它以与第一个卷积层相似的方式操作;
第四个隐藏层进行第二次子抽样和局部平均计算,它由 16 个特征映射组成,但每个特征映射由 5×5 个神经元组成,它以与第一次抽样相似的方式操作;
第五个隐藏层实现卷积的最后阶段,它由 120 个神经元组成,每个神经元指定一个 5×5 的接受域;
最后是个全连接层,得到输出向量。
3.根据权利要求2所述的一种基于CNN和LR的汽车钣金件裂纹检测系统,其特征在于,最终的输出向量采用LR进行预测,判断其label:
其中,卷积层,用来学习输入数据的特征表征,卷积层由很多的卷积核(convolutionalkernel)组成,卷积核用来计算不同的feature map;
激励函数(activation function)给CNN卷积神经网络引入了非线性,常用的有sigmoid 、tanh、 ReLU函数;
池化层降低卷积层输出的特征向量,同时改善结果(使结构不容易出现过拟合),典型应用有average pooling 和 max pooling;
全连接层将卷积层和Pooling 层堆叠起来以后,就能够形成一层或多层全连接层,这样就能够实现高阶的推力能力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810716315.4A CN109102493A (zh) | 2018-07-03 | 2018-07-03 | 一种基于cnn和lr的汽车钣金件裂纹检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810716315.4A CN109102493A (zh) | 2018-07-03 | 2018-07-03 | 一种基于cnn和lr的汽车钣金件裂纹检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109102493A true CN109102493A (zh) | 2018-12-28 |
Family
ID=64845487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810716315.4A Pending CN109102493A (zh) | 2018-07-03 | 2018-07-03 | 一种基于cnn和lr的汽车钣金件裂纹检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109102493A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705650A (zh) * | 2019-10-14 | 2020-01-17 | 深制科技(苏州)有限公司 | 一种基于深度学习的钣金布局方法 |
CN111209620A (zh) * | 2019-12-30 | 2020-05-29 | 浙江大学 | 基于LSTM-cGAN的含裂纹结构剩余承载力及裂纹扩展路径的预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122701A (zh) * | 2017-03-03 | 2017-09-01 | 华南理工大学 | 一种基于图像显著性和深度学习的交通道路标志识别方法 |
CN108154504A (zh) * | 2017-12-25 | 2018-06-12 | 浙江工业大学 | 一种基于卷积神经网络的钢板表面缺陷的检测方法 |
-
2018
- 2018-07-03 CN CN201810716315.4A patent/CN109102493A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122701A (zh) * | 2017-03-03 | 2017-09-01 | 华南理工大学 | 一种基于图像显著性和深度学习的交通道路标志识别方法 |
CN108154504A (zh) * | 2017-12-25 | 2018-06-12 | 浙江工业大学 | 一种基于卷积神经网络的钢板表面缺陷的检测方法 |
Non-Patent Citations (1)
Title |
---|
瓮佳良: "基于深度学习的玻璃缺陷识别方法", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705650A (zh) * | 2019-10-14 | 2020-01-17 | 深制科技(苏州)有限公司 | 一种基于深度学习的钣金布局方法 |
CN110705650B (zh) * | 2019-10-14 | 2023-10-24 | 深制科技(苏州)有限公司 | 一种基于深度学习的钣金布局方法 |
CN111209620A (zh) * | 2019-12-30 | 2020-05-29 | 浙江大学 | 基于LSTM-cGAN的含裂纹结构剩余承载力及裂纹扩展路径的预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695562B (zh) | 一种基于卷积神经网络的机器人自主抓取方法 | |
CN108346144B (zh) | 基于计算机视觉的桥梁裂缝自动监测与识别方法 | |
CN110570396A (zh) | 一种基于深度学习的工业产品缺陷检测方法 | |
CN109800628A (zh) | 一种加强ssd小目标行人检测性能的网络结构及检测方法 | |
Xu et al. | Recognition of rust grade and rust ratio of steel structures based on ensembled convolutional neural network | |
Chen et al. | Prediction of pressure coefficients on roofs of low buildings using artificial neural networks | |
CN111598098B (zh) | 一种基于全卷积神经网络的水尺水位线检测及有效性识别方法 | |
Tan et al. | Neural-networks-based nonlinear dynamic modeling for automotive engines | |
CN109919934A (zh) | 一种基于多源域深度迁移学习的液晶面板缺陷检测方法 | |
CN109409327B (zh) | 基于端到端深度神经网络的rru模块物件位姿检测方法 | |
CN111401418A (zh) | 一种基于改进Faster r-cnn的员工着装规范检测方法 | |
CN105373830A (zh) | 误差反向传播神经网络的预测方法、系统及服务器 | |
CN112087443B (zh) | 工业传感网络信息物理攻击下的传感数据异常检测方法 | |
CN108596274A (zh) | 基于卷积神经网络的图像分类方法 | |
CN107622276B (zh) | 一种基于机器人仿真与物理采样结合的深度学习训练方法 | |
CN107256423A (zh) | 一种增广神经网架构及其训练方法、计算机可读存储介质 | |
CN109102493A (zh) | 一种基于cnn和lr的汽车钣金件裂纹检测系统 | |
CN112488025A (zh) | 基于多模态特征融合的双时相遥感影像语义变化检测方法 | |
CN108876765A (zh) | 工业分拣机器人的目标定位装置和方法 | |
CN114972181A (zh) | 基于多尺度检测的重型部件涂装表面缺陷检测方法 | |
CN109242746A (zh) | 基于应急监测数据的一维瞬时点源污染源溯源方法 | |
KR20110027916A (ko) | 퍼셉트론 인공신경망의 가중치 부여 장치와 이를 이용한 탐지 장치, 탐지 시스템 및 탐지 방법 | |
US20220318982A1 (en) | Neural network architecture for automated part inspection | |
Riedel et al. | Automated quality control of vacuum insulated glazing by convolutional neural network image classification | |
CN114429445A (zh) | 一种基于MAIRNet的PCB缺陷检测与识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181228 |
|
WD01 | Invention patent application deemed withdrawn after publication |