CN110288570A - 一种基于视觉注意机制的转子绕线弱反光图像检测方法 - Google Patents

一种基于视觉注意机制的转子绕线弱反光图像检测方法 Download PDF

Info

Publication number
CN110288570A
CN110288570A CN201910468251.5A CN201910468251A CN110288570A CN 110288570 A CN110288570 A CN 110288570A CN 201910468251 A CN201910468251 A CN 201910468251A CN 110288570 A CN110288570 A CN 110288570A
Authority
CN
China
Prior art keywords
image
rotor winding
weak
view
access control
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
Application number
CN201910468251.5A
Other languages
English (en)
Inventor
张小国
燕松
何荣开
贾友彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201910468251.5A priority Critical patent/CN110288570A/zh
Publication of CN110288570A publication Critical patent/CN110288570A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种基于视觉注意机制的转子绕线弱反光图像检测方法，首先，输入预先采集的固定大小转子绕线图像并调整亮度与对比度；然后，利用混合图像的空间信息与通道信息的视觉注意机制增强对转子绕线图像细节特征提取；最后，构建深度学习网络模型对转子绕线缠绕形态进行合格性判断。在电机转子生产的过程中，部分转子绕线由于表面绝缘涂层不均匀或加工不规范等原因，导致在相机视野中绕线图像出现部分和背景相近的弱反光区域，其特征难以提取，本发明通过采用混合通道域和空间域的视觉注意机制加强对弱反光件图像细节特征的处理，有效提高对弱反光件合格性的识别率。

Description

一种基于视觉注意机制的转子绕线弱反光图像检测方法
技术领域
本发明属于机器视觉工业检测技术领域，具体涉及一种基于视觉注意机制的转子绕线弱反光图像检测方法。
背景技术
随着工业化的进程，世界经济迅猛发展，从传统的手工作业到小规模的机械化作业，再到全自动化标准生产，制造业经历了耗时长、产量低到高速量产的腾飞。作为制造业的心脏，电机产业的发展一直与工业经济的发展息息相关，与电机相关的配置零件也步入了快速发展之道。在电机生产过程中，作为核心零部件的电机转子类型多样，其质量好坏对电机制造至关重要，而转子绕线在挂钩处缠绕时形态多样，在环形光源的照射下，一些电机转子在工业相机的视野中部分转子绕线出现弱反光现象，整体呈黑色状，与图像背景很接近，对采用机器视觉技术实现对其形态合格性检测带来了一定的干扰。
针对于上述问题，结合转子绕线形态特征分析，急需提出一种新的能够快速判断弱反光件绕线合格性的方法，可以满足标准化生产检测的要求，同时能够实现对不同型号的转子绕线合格性检测。
发明内容
发明目的：本发明提供了一种基于视觉注意机制的转子绕线弱反光图像检测方法，能加强对转子绕线缠绕形态信息的提取，同时抑制了一些无关的细节信息，提高对弱反光件的合格性检测能力。
技术方案：本发明所述的一种基于深度学习的水下桥墩病害图像分辨率增强方法，包括以下步骤：
(1)输入预先采集的固定大小转子绕线图像并调整亮度与对比度；
(2)利用混合图像的空间信息与通道信息的视觉注意机制增强对转子绕线图像细节特征提取；
(3)构建深度学习网络模型对转子绕线缠绕形态进行合格性判断。
步骤(1)所述的亮度与对比度的调整通过以下公式实现：
G(i,j)＝α*S(i,j)+β
其中α>0，用来提高对比度，β表示增益，用来提高亮度。
所述步骤(2)包括以下步骤：
(21)利用卷积池化和上采样操作形成对称的网络结构，整个网络结构自上到下依次是最大池化层pool1、卷积层conv1、上采样层deconv1、归一化与卷积操作，最后与单个的卷积层通过并联的形式级联，形成对图像的空间信息的多层提取；
(22)针对转子绕线RGB图像，对每个通道进行卷积操作；
(23)混合图像的空间信息与通道信息，对提取的图像特征进行叠加融合。
所述步骤(3)包括以下步骤：
(31)对采集的转子绕线图像根据绕线形态进行分别标记，合格件为0，不合格件为1；所述的合格件主要包括明亮件、弱反光件；所述不合格件主要包括断线、漏挂；
(32)利用深度学习模型，结合视觉注意机制，设计一套转子绕线合格性检测分类模型，其中检测分类模型具体结构如下：对输入的图像经过3*3的卷积与最大池化操作后，连接一个1*1的卷积层，视觉注意机制进一步提取转子绕线图像细节信息，最后连接一个平均池化层降低计算量，通过全连接实现对转子绕线图像的合格性分类检测。
有益效果：与现有技术相比，本发明的有益效果：针对部分转子绕线由于表面绝缘涂层不均匀或加工不规范等原因，导致在相机视野中绕线图像出现部分和背景相近的弱反光区域，其特征难以提取，给绕线合格性判断带来一定干扰，本发明增加了对图像细节特征的提取，提升了弱反光件检测的合格率。
附图说明
图1为本发明流程图；
图2为弱反光件分类检测模型示意图。
具体实施方式
下面将结合附图对本发明作进一步描述。如图1所示，本发明包括以下步骤：
步骤一，针对不同类型的转子，将输入的固定大小转子绕线图像S进行调整亮度与对比度，调节方式如下：
G(i,j)＝α*S(i,j)+β
其中α>0，用来提高对比度，β表示增益，用来提高亮度。此处alpha可以取1.5，beta取10。
步骤二，采用卷积、池化和上采样等操作形成一个对称结构来提取图像的空间信息，整个网络结构自上到下依次是最大池化层pool1、卷积层conv1、上采样层deconv1、归一化与卷积操作，最后与单个的卷积层通过并联的形式级联，形成对图像的空间信息的多层提取。同时对转子绕线RGB图像的每个通道进行卷积操作，提取其通道信息，混合图像的空间信息与通道信息，对提取的图像特征进行叠加融合，从而形成对转子绕线的视觉注意机制，可以对弱反光件的细节信息进行深度提取。
步骤三，对采集的转子绕线图像根据绕线形态进行分别标记，合格件为0，不合格件为1。此处对采集的1000张转子绕线图像根据绕线形态进行标记，其中合格件包括明亮件、弱反光件标记为0，不合格件包括断线、漏挂标记为1。如图2所示，结合视觉注意机制，设计一套转子绕线合格性检测分类模型，模型具体结构为：对输入的图像经过3*3的卷积与最大池化操作后，连接一个1*1的卷积层，然后加入前面所述的视觉注意机制进一步提取转子绕线图像细节信息，最后连接一个平均池化层降低计算量，通过全连接实现对转子绕线图像的合格性分类检测。在对上述的1000张转子绕线图像采用本发明进行检测，可以发现识别准确率能够达到98％左右，本文方法相较于传统方法可以有效提升对弱反光件的识别检测，减少了误判的出现。
以上所述仅是本发明的优选实施方式，结合视觉注意机制，增加对图像细节特征的提取，可以准确检测出弱反光件转子绕线合格性，同时应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润色，这些改进和润色也应视为本发明的保护范围。

Claims (5)

1.一种基于视觉注意机制的转子绕线弱反光图像检测方法，其特征在于，包括以下步骤：
(1)输入预先采集的固定大小转子绕线图像并调整亮度与对比度；
(2)利用混合图像的空间信息与通道信息的视觉注意机制增强对转子绕线图像细节特征提取；
(3)构建深度学习网络模型对转子绕线缠绕形态进行合格性判断。
2.根据权利要求1所述的一种基于视觉注意机制的转子绕线弱反光图像检测方法，其特征在于，步骤(1)所述的亮度与对比度的调整通过以下公式实现：
G(i,j)＝α*S(i,j)+β
其中，α>0，用来提高对比度，β表示增益，用来提高亮度。
3.根据权利要求1所述的一种基于视觉注意机制的转子绕线弱反光图像检测方法，其特征在于,所述步骤(2)包括以下步骤：
(21)利用卷积池化和上采样操作形成对称的网络结构，整个网络结构自上到下依次是最大池化层pool1、卷积层conv1、上采样层deconv1、归一化与卷积操作，最后与单个的卷积层通过并联的形式级联，形成对图像的空间信息的多层提取；
(22)针对转子绕线RGB图像，对每个通道进行卷积操作；
(23)混合图像的空间信息与通道信息，对提取的图像特征进行叠加融合。
4.根据权利要求1所述的一种基于视觉注意机制的转子绕线弱反光图像检测方法，其特征在于,所述步骤(3)包括以下步骤：
(31)对采集的转子绕线图像根据绕线形态进行分别标记，合格件为0，不合格件为1；
(32)利用深度学习模型，结合视觉注意机制，设计一套转子绕线合格性检测分类模型，其中检测分类模型具体结构如下：对输入的图像经过3*3的卷积与最大池化操作后，连接一个1*1的卷积层，视觉注意机制进一步提取转子绕线图像细节信息，最后连接一个平均池化层降低计算量，通过全连接实现对转子绕线图像的合格性分类检测。
5.根据权利要求4所述的一种基于视觉注意机制的转子绕线弱反光图像检测方法，其特征在于,步骤(31)所述的合格件主要包括明亮件、弱反光件；所述不合格件主要包括断线、漏挂。
CN201910468251.5A 2019-05-31 2019-05-31 一种基于视觉注意机制的转子绕线弱反光图像检测方法 Pending CN110288570A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910468251.5A CN110288570A (zh) 2019-05-31 2019-05-31 一种基于视觉注意机制的转子绕线弱反光图像检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910468251.5A CN110288570A (zh) 2019-05-31 2019-05-31 一种基于视觉注意机制的转子绕线弱反光图像检测方法

Publications (1)

Publication Number Publication Date
CN110288570A true CN110288570A (zh) 2019-09-27

Family

ID=68003167

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910468251.5A Pending CN110288570A (zh) 2019-05-31 2019-05-31 一种基于视觉注意机制的转子绕线弱反光图像检测方法

Country Status (1)

Country Link
CN (1) CN110288570A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111080629A (zh) * 2019-12-20 2020-04-28 河北工业大学 一种图像拼接篡改的检测方法
CN116152502A (zh) * 2023-04-17 2023-05-23 华南师范大学 一种基于解码层损失回召的医学影像分割方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101873503A (zh) * 2009-12-09 2010-10-27 杭州海康威视软件有限公司 一种调节图像属性的方法和装置
CN105701773A (zh) * 2014-11-28 2016-06-22 联芯科技有限公司 一种快速处理图像的方法及装置
CN107292458A (zh) * 2017-08-07 2017-10-24 北京中星微电子有限公司 一种应用于神经网络芯片的预测方法和预测装置
CN108520274A (zh) * 2018-03-27 2018-09-11 天津大学 基于图像处理及神经网络分类的高反光表面缺陷检测方法
CN108710830A (zh) * 2018-04-20 2018-10-26 浙江工商大学 一种结合密集连接注意力金字塔残差网络和等距限制的人体3d姿势估计方法
CN108932712A (zh) * 2018-06-22 2018-12-04 东南大学 一种转子绕组质量检测系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101873503A (zh) * 2009-12-09 2010-10-27 杭州海康威视软件有限公司 一种调节图像属性的方法和装置
CN105701773A (zh) * 2014-11-28 2016-06-22 联芯科技有限公司 一种快速处理图像的方法及装置
CN107292458A (zh) * 2017-08-07 2017-10-24 北京中星微电子有限公司 一种应用于神经网络芯片的预测方法和预测装置
CN108520274A (zh) * 2018-03-27 2018-09-11 天津大学 基于图像处理及神经网络分类的高反光表面缺陷检测方法
CN108710830A (zh) * 2018-04-20 2018-10-26 浙江工商大学 一种结合密集连接注意力金字塔残差网络和等距限制的人体3d姿势估计方法
CN108932712A (zh) * 2018-06-22 2018-12-04 东南大学 一种转子绕组质量检测系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
FEI WANG ET AL.: "Residual Attention Network for Image Classification", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111080629A (zh) * 2019-12-20 2020-04-28 河北工业大学 一种图像拼接篡改的检测方法
CN111080629B (zh) * 2019-12-20 2021-10-22 河北工业大学 一种图像拼接篡改的检测方法
CN116152502A (zh) * 2023-04-17 2023-05-23 华南师范大学 一种基于解码层损失回召的医学影像分割方法及系统
CN116152502B (zh) * 2023-04-17 2023-09-01 华南师范大学 一种基于解码层损失回召的医学影像分割方法及系统

Similar Documents

Publication Publication Date Title
CN105069746B (zh) 基于局部仿射和颜色迁移技术的视频实时人脸替换方法及其系统
CN106225787B (zh) 一种无人机视觉定位方法
CN107808133B (zh) 基于无人机巡线的油气管道安全监测方法、系统及软件存储器
CN105913415B (zh) 一种具有广泛适应性的图像亚像素边缘提取方法
CN107895376A (zh) 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法
Recky et al. Windows detection using k-means in cie-lab color space
CN111696075A (zh) 一种基于双光谱图像的风机叶片缺陷智能检测方法
CN106056155A (zh) 基于边界信息融合的超像素分割方法
CN109753949B (zh) 一种基于深度学习的多视窗交通标志检测方法
CN106384117B (zh) 一种车辆颜色识别方法及装置
CN108596892A (zh) 一种基于改进LeNet-5模型的焊缝缺陷识别方法
CN108960255A (zh) 基于颜色相似性和位置聚集性的显著性织物疵点检测方法
CN110136110A (zh) 光伏组件缺陷的检测方法和装置
CN102974551A (zh) 一种基于机器视觉的多晶硅太阳能检测分选的方法
CN107154048A (zh) 一种脉冲耦合神经网络模型的遥感图像分割方法及装置
CN116485785B (zh) 一种太阳能电池片的表面缺陷检测方法
CN110288570A (zh) 一种基于视觉注意机制的转子绕线弱反光图像检测方法
CN116664586B (zh) 一种基于多模态特征融合的玻璃缺陷检测方法及系统
CN113221881B (zh) 一种多层级的智能手机屏幕缺陷检测方法
CN107273890A (zh) 针对字符组合的图形验证码识别方法及装置
CN108335294A (zh) 复杂条件下的配电房异常状态图像识别方法
CN102930279A (zh) 用于产品数量检测的图像识别方法
CN110389114A (zh) 一种基于无人机成像光谱的中小水体水质类型识别方法
CN109815957A (zh) 一种基于彩色图像在复杂背景下的文字识别方法
CN116029979A (zh) 一种基于改进Yolov4的布料瑕疵视觉检测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190927