CN109472790A - 一种机械零件缺陷检测方法及系统 - Google Patents
一种机械零件缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN109472790A CN109472790A CN201811396959.6A CN201811396959A CN109472790A CN 109472790 A CN109472790 A CN 109472790A CN 201811396959 A CN201811396959 A CN 201811396959A CN 109472790 A CN109472790 A CN 109472790A
- Authority
- CN
- China
- Prior art keywords
- network model
- dense network
- image pattern
- machine components
- dense
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种机械零件缺陷检测方法及系统,所述检测方法包括:首先,建立机械零件的图像样本库,并对所述图像样本库中的图像样本进行预处理;然后,建立稠密网络模型,并利用预处理后的图像样本对所述稠密网络模型进行训练,得到训练后的稠密网络模型;最后,利用所述训练后的稠密网络模型检测机械零件的缺陷。本发明基于稠密网络实现了机械零件的自动检测,使用基于稠密网络的机器学习的计算,减少了外围设备的设计与使用,去除了前期研发提取图像特征算法的过程,增加网络模型的通用性。
Description
技术领域
本发明涉及零件检测领域,特别涉及一种机械零件缺陷检测方法及系统。
背景技术
随着生产技术的进步,机械零件的产量不断升高,大多制造商仍使用人工进行机械零件质量的检测。人工检测易受检测员身体状况影响,所以长时间目视检测容易出现漏检率、误检率上升等问题。如何实现机械零件的自动检测成为一个亟待解决的技术问题。
发明内容
本发明的目的是提供一种机械零件缺陷检测方法,以实现机械零件的自动检测。
为实现上述目的,本发明提供了如下方案:
一种机械零件缺陷检测方法,所述检测方法包括如下步骤:
建立机械零件的图像样本库;
对所述图像样本库中的图像样本进行预处理;
建立稠密网络模型,并利用预处理后的图像样本对所述稠密网络模型进行训练,得到训练后的稠密网络模型;
利用所述训练后的稠密网络模型检测机械零件的缺陷。
可选的,对所述图像样本库中的图像样本进行预处理,具体包括:
对所述图像样本进行霍夫变换,提取图像样本中的零件区域;
提取零件区域中的非检测区域,对所述零件区域中的非检测区域进行掩膜处理,得到掩膜后的图像样本;
将所述掩膜后的图像样本划分为多个图像块;
对每个所述图像块进行仿射变换处理,得到预处理后的图像样本。
可选的,所述建立稠密网络模型,具体包括:
建立输入层,在输入层使用卷积和池化操作提取输入图像的特征信息;
建立稠密块,基于所述稠密块利用公式xl=Hl([x0,x1,...,xl-1])进一步提取输入图像的特征信息;
式中,H1(·)为多个操作的串联:批规范->激活->卷积核为1×1的->批规范->激活->卷积核为3×3的卷积,x0、x1、xl-1、xl分别为第0层、第1层,第l-1层和第l层的输出;
建立过渡层,在过渡层引入压缩参数ρ,使用卷积和池化操作,降低卷积核参数θ的数量;
建立分类层,使用分类层,输出检测预测结果y。
可选的,所述利用预处理后的图像样本对所述稠密网络模型进行训练,得到训练后的稠密网络模型,具体包括:
建立交叉熵损失函数模型,如下式所示:
将所述预处理后的图像样本输入所述稠密网络模型,采用动量梯度下降法,求解所述交叉熵损失函数模型的损失函数值最小时,所述稠密网络模型的卷积核参数θ的值,作为所述稠密网络模型的最优卷积核参数;
式中,表示对应与输入预处理后的图像样本的稠密网络模型的输出值,y表示所述输入预处理后的图像样本中零件缺陷位置的实际值,表示输出值与实际值y的损失函数值。
可选的,所述将所述预处理后的图像样本输入所述稠密网络模型,采用动量梯度下降法,求解所述交叉熵损失函数模型的损失函数值最小时,所述稠密网络模型的卷积核参数θ的值,具体包括:
将所述预处理后的图像样本输入所述稠密网络模型,利用动量梯度下降公式求解所述交叉熵损失函数模型的损失函数值最小时,所述稠密网络模型的卷积核参数θ的值;
式中,vdθ表示卷积参数的动量梯度,v0为卷积参数的动量初始值,β为常数,α为训练学习率。
可选的,所述利用所述训练后的稠密网络模型检测机械零件的缺陷,具体包括:
获取待检测零件的图像;
对所述待检测零件的图像进行预处理,获得预处理后的待测图像;
将所述预处理后的待测图像输入所述训练后的稠密网络模型,获得所述待检测零件的检测结果。
一种机械零件缺陷检测系统,所述检测系统包括如下步骤:
图像样本库建立模块,用于建立机械零件的图像样本库;
预处理模块,用于对所述图像样本库中的图像样本进行预处理;
稠密网络模型建立和训练模块,用于建立稠密网络模型,并利用预处理后的图像样本对所述稠密网络模型进行训练,得到训练后的稠密网络模型;
检测模块,用于利用所述训练后的稠密网络模型检测机械零件的缺陷。
可选的,所述预处理模块,具体包括:
检测区域提取子模块,用于对所述图像样本进行霍夫变换,提取图像样本中的零件区域;
掩膜子模块,用于提取零件区域中的非检测区域,对所述零件区域中的非检测区域进行掩膜处理,得到掩膜后的图像样本;
图像块划分子模块,用于将所述掩膜后的图像样本划分为多个图像块;
仿射变换子模块,用于对每个所述图像块进行仿射变换处理,得到预处理后的图像样本。
可选的,所述稠密网络模型建立和训练模块,具体包括:
输入层建立子模块,用于建立输入层,在输入层使用卷积和池化操作提取输入图像的特征信息;
稠密块建立子模块,用于建立稠密块,基于所述稠密块利用公式xl=Hl([x0,x1,...,xl-1])进一步提取输入图像的特征信息;
式中,H1(·)为多个操作的串联:批规范->激活->卷积核为1×1的->批规范->激活->卷积核为3×3的卷积,x0、x1、xl-1、xl分别为第0层、第1层,第l-1层和第l层的输出;
过渡层建立子模块,用于建立过渡层,在过渡层引入压缩参数ρ,使用卷积和池化操作,降低卷积核参数θ的数量;
分类层建立子模块,用于建立分类层,使用分类层,输出检测预测结果y。
可选的,所述稠密网络模型建立和训练模块,具体包括:
交叉熵损失函数模型建立子模块,用于建立交叉熵损失函数模型,如下式所示:
最优解求取子模块,用于将所述预处理后的图像样本输入所述稠密网络模型,采用动量梯度下降法,求解所述交叉熵损失函数模型的损失函数值最小时,所述稠密网络模型的卷积核参数θ的值,作为所述稠密网络模型的最优卷积核参数;
式中,表示对应与输入预处理后的图像样本的稠密网络模型的输出值,y表示所述输入预处理后的图像样本中零件缺陷位置的实际值,表示输出值与实际值y的损失函数值。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开了一种机械零件缺陷检测方法及系统,所述检测方法包括:首先,建立机械零件的图像样本库,并对所述图像样本库中的图像样本进行预处理;然后,建立稠密网络模型,并利用预处理后的图像样本对所述稠密网络模型进行训练,得到训练后的稠密网络模型;最后,利用所述训练后的稠密网络模型检测机械零件的缺陷。本发明基于稠密网络实现了机械零件的自动检测,使用基于稠密网络的机器学习的计算,减少了外围设备的设计与使用,去除了前期研发提取图像特征算法的过程,增加网络模型的通用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种一种机械零件缺陷检测方法的流程图;
图2为本发明提供的一种一种机械零件缺陷检测系统的结构图;
图3为本发明提供的实施例4的原始机械零件图像;
图4为本发明提供的实施例4的霍夫变换的流图图;
图5为本发明提供的实施例4的霍夫变换得到的零件区域的图像;
图6为本发明提供的实施例4的预处理的流程图;
图7为本发明提供的实施例4的掩膜得到的检测区域图像;
图8为本发明提供的实施例4的区域划分得到的四分之一裁剪图像;
图9为本发明提供的实施例4的增强处理得到的预处理后的机械零件的图像;
图10为本发明提供的实施例4采用的稠密网络模型的结构图。
具体实施方式
本发明的目的是提供一种机械零件缺陷检测方法,以实现机械零件的自动检测。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对发明作进一步详细的说明。
实施例1
本发明实施例1提供了一种机械零件缺陷检测方法。
如图1所示,所述检测方法包括如下步骤:
步骤101,建立机械零件的图像样本库;步骤102,对所述图像样本库中的图像样本进行预处理;步骤103,建立稠密网络模型,并利用预处理后的图像样本对所述稠密网络模型进行训练,得到训练后的稠密网络模型;步骤104,利用所述训练后的稠密网络模型检测机械零件的缺陷。
实施例1
本发明实施例1提供了一种机械零件缺陷检测方法的一个优选的实施方式。
步骤102所述对所述图像样本库中的图像样本进行预处理,具体包括:
卷积神经网络需要大量的训练数据,训练数据的数量和质量对网络的训练结果影响较大,因此,在进行网络训练之前一般要对训练数据进行预处理。为了减少图像中多余的信息,提高神经网络的计算效率。
首先,将图像样本进行裁剪,使之只保留零件区域,即感兴趣区域(region ofinterest)。具体的,本发明针对的机械零件是由圆环组成,因此,首先对所述图像样本进行霍夫变换,提取图像样本中的零件区域,具体包括:
a)将图象样本中每一个像素点转换到极坐标对应圆的中心,并进行极坐标强度累计。
b)在极坐标空间中,对强度值归一化,使得强度范围在0-255之间。
c)寻找强度最大的点,设定为圆形中心点,并根据中心点绘制检测结果。
其中圆的极坐标形式如下:
式(1)中,(x0,y0)为圆心坐标,r为圆半径,φ为圆心角。根据公式(1),圆上任意一点的坐标可以表示为如上形式,所以对于任意一个圆,假设圆心像素点已知,圆半径已知,则旋转360°,由极坐标方程可以得到每个点上的坐标。同样,如果只是知道图像上像素点,圆半径,旋转360°,则圆心处的坐标值必定最强。
然后,提取零件区域中的非检测区域,对所述零件区域中的非检测区域进行掩膜处理,得到掩膜后的图像样本;利用霍夫变换提取出圆的关键信息(圆心,半径),并对图像进行裁剪,使零件区域位于图像中心,且填充满整张图像。同时利用掩膜对非检测区域归零化,使图像样本稀疏,减少计算存储的数据量。
然后,将所述掩膜后的图像样本划分为多个图像块,具体的,由于待检测缺陷区域在掩膜后的图像样本中所占比例较小,不易被神经网络模型所检测。因此通过二次裁剪,将掩膜后的图像样本分解为四份扇形区域,从而增加缺陷部分在整张图像中的比例以提高缺陷检测率。
最后,对每个所述图像块进行仿射变换处理,得到预处理后的图像样本,具体的,由于图像采集时,缺陷不可能总在同一块区域出现。因此,为了降低因位置不同造成的检测性能的影响,并增加可用训练样本数量。本发明应用仿射变换对掩膜后的图像样本进行数据增强,将图像随机旋转、水平翻折、垂直翻折。
神经网络原始模型稠密网络(Densely Connected Convolutional Networks,DenseNet)是2017年由黄高博士提出,研究证明:若层与层之间存在折跃连接,可以使得神经网络更深、更精确、更容易训练。传统卷积神经网络中每层以之前层的输出作为输入,对于有L层的传统卷积网络,共有L个连接,而对于稠密网络模型,因缩短前层和后层之间的连接,则连接数为L(L+1)/2,并且可通过联结nb个带有折跃连接的神经网络(稠密块)增加网络深度以提高图像识别率。稠密块中的每一层都可直接利用块输入的信息,同时利用了之前层对块输入处理后的信息,这样便加强了层与层之间的联系。反向传播过程中,块输入的梯度信息包含了损失函数直接对块输入的导数,因此加强了梯度传播,因此,本发明采用基于神经网络原始模型稠密网络的模型,简称稠密网络网络模型,实现机械零件缺陷的检测。
步骤103所述建立稠密网络模型,具体包括:建立输入层,在输入层使用卷积和池化操作提取输入图像的特征信息;
建立稠密块,基于所述稠密块利用公式xl=Hl([x0,x1,...,xl-1])进一步提取输入图像的特征信息;具体的,本发明建立的稠密块数量为4。
式中,H1(·)为多个操作的串联:批规范->激活->卷积核为1×1的->批规范->激活->卷积核为3×3的卷积,x0、x1、xl-1、xl分别为第0层、第1层,第l-1层和第l层的输出;
建立过渡层,在过渡层引入压缩参数ρ,使用卷积和池化操作,降低卷积核参数θ的数量;压缩参数ρ设置为0.5。
建立分类层,使用分类层,输出检测预测结果y。
步骤103所述的利用预处理后的图像样本对所述稠密网络模型进行训练,得到训练后的稠密网络模型,具体包括:
建立交叉熵损失函数模型,如下式所示:
将所述预处理后的图像样本输入所述稠密网络模型,采用动量梯度下降法,求解所述交叉熵损失函数模型的损失函数值最小时,所述稠密网络模型的卷积核参数θ的值,作为所述稠密网络模型的最优卷积核参数;
式中,表示对应与输入预处理后的图像样本的稠密网络模型的输出值,y表示所述输入预处理后的图像样本中零件缺陷位置的实际值,表示输出值与实际值y的损失函数值。
可选的,所述将所述预处理后的图像样本输入所述稠密网络模型,采用动量梯度下降法,求解所述交叉熵损失函数模型的损失函数值最小时,所述稠密网络模型的卷积核参数θ的值,具体包括:
将所述预处理后的图像样本输入所述稠密网络模型,利用动量梯度下降公式求解所述交叉熵损失函数模型的损失函数值最小时,所述稠密网络模型的卷积核参数θ的值;
式中,vdθ表示卷积参数的动量梯度,v0为卷积参数的动量初始值,β为常数,α为训练学习率。
本发明将训练学习率α为0.001,动量初始值v0设置为0。
本发明方法采用霍夫变换以及图像掩膜对图像进行ROI区域提取,提高了神经网络的计算效率,能够解决人工无法长时工作的缺点,减少人工开支,通过计算机的强大计算力能够提升检测的速度和准确度。
实施例3
本发明实施例3提供一种机械零件缺陷检测系统。
如图2所示,所述检测系统包括如下步骤:
图像样本库建立模块201,用于建立机械零件的图像样本库;
预处理模块202,用于对所述图像样本库中的图像样本进行预处理;所述预处理模块202,具体包括:检测区域提取子模块,用于对所述图像样本进行霍夫变换,提取图像样本中的零件区域;掩膜子模块,用于提取零件区域中的非检测区域,对所述零件区域中的非检测区域进行掩膜处理,得到掩膜后的图像样本;图像块划分子模块,用于将所述掩膜后的图像样本划分为多个图像块;仿射变换子模块,用于对每个所述图像块进行仿射变换处理,得到预处理后的图像样本。
稠密网络模型建立和训练模块203,用于建立稠密网络模型,并利用预处理后的图像样本对所述稠密网络模型进行训练,得到训练后的稠密网络模型;所述稠密网络模型建立和训练模块203,具体包括:
输入层建立子模块,用于建立输入层,在输入层使用卷积和池化操作提取输入图像的特征信息。
稠密块建立子模块,用于建立稠密块,基于所述稠密块利用公式xl=Hl([x0,x1,...,xl-1])进一步提取输入图像的特征信息;式中,H1(·)为多个操作的串联:批规范->激活->卷积核为1×1的->批规范->激活->卷积核为3×3的卷积,x0、x1、xl-1、xl分别为第0层、第1层,第l-1层和第l层的输出;
过渡层建立子模块,用于建立过渡层,在过渡层引入压缩参数ρ,使用卷积和池化操作,降低卷积核参数θ的数量。
分类层建立子模块,用于建立分类层,使用分类层,输出检测预测结果y。
交叉熵损失函数模型建立子模块,用于建立交叉熵损失函数模型,如下式所示:
最优解求取子模块,用于将所述预处理后的图像样本输入所述稠密网络模型,采用动量梯度下降法,求解所述交叉熵损失函数模型的损失函数值最小时,所述稠密网络模型的卷积核参数θ的值,作为所述稠密网络模型的最优卷积核参数。
式中,表示对应与输入预处理后的图像样本的稠密网络模型的输出值,y表示所述输入预处理后的图像样本中零件缺陷位置的实际值,表示输出值与实际值y的损失函数值。
检测模块204,用于利用所述训练后的稠密网络模型检测机械零件的缺陷。
实施例4,
本发明实施例4提供利用本发明的机械零件缺陷检测方法及系统,进行机械零件缺陷检测的一个具体的应用实例。
输入待检测零件的原始机械零件图像,如图3所示。
按照图4的步骤,对所述原始机械零件图像进行霍夫变换流程,得到待检测零件的零件区域的图像如图5所示。
按照图6所示的步骤,对霍夫变换得到的零件区域,进行掩膜获得检测区域图像,如图7所示,四分之一裁剪圆环图像,如图8所示,以及对图6进行数据增强所得的预处理后的机械零件图像,如图9所示;
使用图10所示的稠密网络模型,输入预处理后的机械零件图像,可输出预测结果。
因为本发明稠密网络作为主要检测方法而不是传统图像处理,所以受光照变化等外界环境的影响较小,且能节省设计测试环境的费用。
对于测试研发的方面,相对于传统图像处理方法,对于不同的检测目标需要改变当前设计或者重新设计一套处理方法,而本发明的稠密网络不对检测目标类别做要求,设计好神经网络模型后,只需要提供足够的训练数据就能得到较好的检测结果,使得研发周期缩短,研发难度下降,研发费用也因此等到了缩减。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
Claims (10)
1.一种机械零件缺陷检测方法,其特征在于,所述检测方法包括如下步骤:
建立机械零件的图像样本库;
对所述图像样本库中的图像样本进行预处理;
建立稠密网络模型,并利用预处理后的图像样本对所述稠密网络模型进行训练,得到训练后的稠密网络模型;
利用所述训练后的稠密网络模型检测机械零件的缺陷。
2.根据权利要求1所述的一种机械零件缺陷检测方法,其特征在于,对所述图像样本库中的图像样本进行预处理,具体包括:
对所述图像样本进行霍夫变换,提取图像样本中的零件区域;
提取零件区域中的非检测区域,对所述零件区域中的非检测区域进行掩膜处理,得到掩膜后的图像样本;
将所述掩膜后的图像样本划分为多个图像块;
对每个所述图像块进行仿射变换处理,得到预处理后的图像样本。
3.根据权利要求1所述的一种机械零件缺陷检测方法,其特征在于,所述建立稠密网络模型,具体包括:
建立输入层,在输入层使用卷积和池化操作提取输入图像的特征信息;
建立稠密块,基于所述稠密块利用公式xl=Hl([x0,x1,...,xl-1])进一步提取输入图像的特征信息;
式中,H1(·)为多个操作的串联:批规范->激活->卷积核为1×1的->批规范->激活->卷积核为3×3的卷积,x0、x1、xl-1、xl分别为第0层、第1层,第l-1层和第l层的输出;
建立过渡层,在过渡层引入压缩参数ρ,使用卷积和池化操作,降低卷积核参数θ的数量;
建立分类层,使用分类层,输出检测预测结果y。
4.根据权利要求1所述的一种机械零件缺陷检测方法,其特征在于,所述利用预处理后的图像样本对所述稠密网络模型进行训练,得到训练后的稠密网络模型,具体包括:
建立交叉熵损失函数模型,如下式所示:
将所述预处理后的图像样本输入所述稠密网络模型,采用动量梯度下降法,求解所述交叉熵损失函数模型的损失函数值最小时,所述稠密网络模型的卷积核参数θ的值,作为所述稠密网络模型的最优卷积核参数;
式中,表示对应与输入预处理后的图像样本的稠密网络模型的输出值,y表示所述输入预处理后的图像样本中零件缺陷位置的实际值,表示输出值与实际值y的损失函数值。
5.根据权利要求4所述的一种机械零件缺陷检测方法,其特征在于,所述将所述预处理后的图像样本输入所述稠密网络模型,采用动量梯度下降法,求解所述交叉熵损失函数模型的损失函数值最小时,所述稠密网络模型的卷积核参数θ的值,具体包括:
将所述预处理后的图像样本输入所述稠密网络模型,利用动量梯度下降公式求解所述交叉熵损失函数模型的损失函数值最小时,所述稠密网络模型的卷积核参数θ的值;
式中,vdθ表示卷积参数的动量梯度,v0为卷积参数的动量初始值,β为常数,α为训练学习率。
6.根据权利要求1所述的一种机械零件缺陷检测方法,其特征在于,所述利用所述训练后的稠密网络模型检测机械零件的缺陷,具体包括:
获取待检测零件的图像;
对所述待检测零件的图像进行预处理,获得预处理后的待测图像;
将所述预处理后的待测图像输入所述训练后的稠密网络模型,获得所述待检测零件的检测结果。
7.一种机械零件缺陷检测系统,其特征在于,所述检测系统包括如下步骤:
图像样本库建立模块,用于建立机械零件的图像样本库;
预处理模块,用于对所述图像样本库中的图像样本进行预处理;
稠密网络模型建立和训练模块,用于建立稠密网络模型,并利用预处理后的图像样本对所述稠密网络模型进行训练,得到训练后的稠密网络模型;
检测模块,用于利用所述训练后的稠密网络模型检测机械零件的缺陷。
8.根据权利要求7所述的一种机械零件缺陷检测系统,其特征在于,所述预处理模块,具体包括:
检测区域提取子模块,用于对所述图像样本进行霍夫变换,提取图像样本中的零件区域;
掩膜子模块,用于提取零件区域中的非检测区域,对所述零件区域中的非检测区域进行掩膜处理,得到掩膜后的图像样本;
图像块划分子模块,用于将所述掩膜后的图像样本划分为多个图像块;
仿射变换子模块,用于对每个所述图像块进行仿射变换处理,得到预处理后的图像样本。
9.根据权利要求7所述的一种机械零件缺陷检测系统,其特征在于,所述稠密网络模型建立和训练模块,具体包括:
输入层建立子模块,用于建立输入层,在输入层使用卷积和池化操作提取输入图像的特征信息;
稠密块建立子模块,用于建立稠密块,基于所述稠密块利用公式xl=Hl([x0,x1,...,xl-1])进一步提取输入图像的特征信息;
式中,H1(·)为多个操作的串联:批规范->激活->卷积核为1×1的->批规范->激活->卷积核为3×3的卷积,x0、x1、xl-1、xl分别为第0层、第1层,第l-1层和第l层的输出;
过渡层建立子模块,用于建立过渡层,在过渡层引入压缩参数ρ,使用卷积和池化操作,降低卷积核参数θ的数量;
分类层建立子模块,用于建立分类层,使用分类层,输出检测预测结果y。
10.根据权利要求7所述的一种机械零件缺陷检测系统,其特征在于,所述稠密网络模型建立和训练模块,具体包括:
交叉熵损失函数模型建立子模块,用于建立交叉熵损失函数模型,如下式所示:
最优解求取子模块,用于将所述预处理后的图像样本输入所述稠密网络模型,采用动量梯度下降法,求解所述交叉熵损失函数模型的损失函数值最小时,所述稠密网络模型的卷积核参数θ的值,作为所述稠密网络模型的最优卷积核参数;
式中,表示对应与输入预处理后的图像样本的稠密网络模型的输出值,y表示所述输入预处理后的图像样本中零件缺陷位置的实际值,表示输出值与实际值y的损失函数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811396959.6A CN109472790A (zh) | 2018-11-22 | 2018-11-22 | 一种机械零件缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811396959.6A CN109472790A (zh) | 2018-11-22 | 2018-11-22 | 一种机械零件缺陷检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109472790A true CN109472790A (zh) | 2019-03-15 |
Family
ID=65674065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811396959.6A Pending CN109472790A (zh) | 2018-11-22 | 2018-11-22 | 一种机械零件缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109472790A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232438A (zh) * | 2019-06-06 | 2019-09-13 | 北京致远慧图科技有限公司 | 一种极坐标系下卷积神经网络的图像处理方法及装置 |
CN110290203A (zh) * | 2019-06-25 | 2019-09-27 | 东莞德福得精密五金制品有限公司 | 人工智能云计算对制成品进行非侵入性生产缺陷识别与信息连通 |
CN112950613A (zh) * | 2020-05-19 | 2021-06-11 | 惠州高视科技有限公司 | 一种表面缺陷检测方法和装置 |
TWI769603B (zh) * | 2019-12-31 | 2022-07-01 | 大陸商鄭州富聯智能工坊有限公司 | 影像處理方法及存儲介質 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107481231A (zh) * | 2017-08-17 | 2017-12-15 | 广东工业大学 | 一种基于深度卷积神经网络的五金件缺陷分类识别方法 |
CN108564577A (zh) * | 2018-04-12 | 2018-09-21 | 重庆邮电大学 | 基于卷积神经网络的太阳能电池片断栅缺陷检测方法 |
-
2018
- 2018-11-22 CN CN201811396959.6A patent/CN109472790A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107481231A (zh) * | 2017-08-17 | 2017-12-15 | 广东工业大学 | 一种基于深度卷积神经网络的五金件缺陷分类识别方法 |
CN108564577A (zh) * | 2018-04-12 | 2018-09-21 | 重庆邮电大学 | 基于卷积神经网络的太阳能电池片断栅缺陷检测方法 |
Non-Patent Citations (11)
Title |
---|
GAO HUANG等: "Densely Connected Convolutional Networks", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
LIDAN SHANG等: "Detection of rail surface defects based on CNN image recognition and classification", 《2018 20TH INTERNATIONAL CONFERENCE ON ADVANCED COMMUNICATION TECHNOLOGY (ICACT)》 * |
YOUNG-LIU: "2-5 动量梯度下降法", 《HTTPS://WWW.CNBLOGS.COM/XIAOJIANLIU/ARTICLES/9655816.HTML》 * |
曹凯: "基于卷积神经网络的外观缺陷检测方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
王昆翔等: "《智能理论与警用智能技术》", 31 May 2009, 中国人民公安大学出版社 * |
董海鹰: "《智能控制理论及应用》", 30 September 2016, 中国铁道出版社 * |
蔡成涛等: "《海洋环境下的计算机视觉技术》", 31 October 2015, 国防工业出版社 * |
贾永红等: "《数字图像处理技巧》", 31 January 2017, 武汉大学出版社 * |
都伊林: "《智能安防新发展与应用》", 31 May 2018, 华中科技大学出版社 * |
陈敏: "《认知计算导论》", 30 April 2017, 华中科技大学出版社 * |
黄福珍等: "《人脸检测》", 30 April 2006, 上海交通大学出版社 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232438A (zh) * | 2019-06-06 | 2019-09-13 | 北京致远慧图科技有限公司 | 一种极坐标系下卷积神经网络的图像处理方法及装置 |
CN110290203A (zh) * | 2019-06-25 | 2019-09-27 | 东莞德福得精密五金制品有限公司 | 人工智能云计算对制成品进行非侵入性生产缺陷识别与信息连通 |
TWI769603B (zh) * | 2019-12-31 | 2022-07-01 | 大陸商鄭州富聯智能工坊有限公司 | 影像處理方法及存儲介質 |
CN112950613A (zh) * | 2020-05-19 | 2021-06-11 | 惠州高视科技有限公司 | 一种表面缺陷检测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
CN109472790A (zh) | 一种机械零件缺陷检测方法及系统 | |
CN105046277B (zh) | 特征显著性在图像质量评价中的鲁棒机理研究方法 | |
CN111985499B (zh) | 一种基于计算机视觉的高精度桥梁表观病害识别方法 | |
CN110263705A (zh) | 面向遥感技术领域两期高分辨率遥感影像变化检测方法 | |
CN108765408A (zh) | 构建癌症病理图像虚拟病例库的方法以及基于卷积神经网络的多尺度癌症检测系统 | |
CN109636772A (zh) | 基于深度学习的不规则形状金属加工表面的缺陷检测方法 | |
CN113989662B (zh) | 一种基于自监督机制的遥感图像细粒度目标识别方法 | |
CN110264466A (zh) | 一种基于深度卷积神经网络的钢筋检测方法 | |
CN108021938A (zh) | 一种冷轧带钢表面缺陷在线检测方法以及检测系统 | |
CN110148162A (zh) | 一种基于复合算子的异源图像匹配方法 | |
CN108615046A (zh) | 一种储粮害虫检测识别方法及装置 | |
CN108960404B (zh) | 一种基于图像的人群计数方法及设备 | |
CN112686894B (zh) | 基于生成式对抗网络的fpcb板缺陷检测方法及装置 | |
CN108416266A (zh) | 一种利用光流提取运动目标的视频行为快速识别方法 | |
CN109934154A (zh) | 一种遥感影像变化检测方法及检测装置 | |
CN109978872B (zh) | 基于白质纤维束的白质微结构特征筛选系统及方法 | |
CN110488368A (zh) | 一种基于双能x光安检机的违禁品识别方法及装置 | |
CN111583148A (zh) | 基于生成对抗网络的岩心图像重构方法 | |
CN109145846A (zh) | 材料微观结构智能识别分析系统及分析方法 | |
CN109146873A (zh) | 一种基于学习的显示屏缺陷智能检测方法及装置 | |
CN110020658A (zh) | 一种基于多任务深度学习的显著目标检测方法 | |
CN111339902A (zh) | 一种数显仪表的液晶屏示数识别方法及装置 | |
CN110298410A (zh) | 基于深度学习的低对比度图像中弱目标检测方法及装置 | |
CN114549446A (zh) | 一种基于深度学习的气缸套缺陷标检测方法 |
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 |