CN110782449A - 基于迁移学习和可变形cnn的陶瓷釉面缺陷检测方法 - Google Patents

基于迁移学习和可变形cnn的陶瓷釉面缺陷检测方法 Download PDF

Info

Publication number
CN110782449A
CN110782449A CN201911050944.9A CN201911050944A CN110782449A CN 110782449 A CN110782449 A CN 110782449A CN 201911050944 A CN201911050944 A CN 201911050944A CN 110782449 A CN110782449 A CN 110782449A
Authority
CN
China
Prior art keywords
cnn
ceramic glaze
transfer learning
convolution
deformable
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.)
Withdrawn
Application number
CN201911050944.9A
Other languages
English (en)
Inventor
姚潇
何欣楠
刘小峰
徐宁
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.)
Changzhou Campus of Hohai University
Original Assignee
Changzhou Campus of Hohai 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 Changzhou Campus of Hohai University filed Critical Changzhou Campus of Hohai University
Priority to CN201911050944.9A priority Critical patent/CN110782449A/zh
Publication of CN110782449A publication Critical patent/CN110782449A/zh
Withdrawn legal-status Critical Current

Links

Images

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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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

Landscapes

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

Abstract

本发明公开了基于迁移学习和可变形CNN的陶瓷釉面缺陷检测方法，S1，构建陶瓷釉面图像样本数据集，S2，通过迁移学习与可变卷积的方法，构建改进的CNN，对陶瓷釉面图像样本数据进行特征提取，S3，使用随机森林算法对特征数据进行分类。本发明在陶瓷釉面图像样本数据集的基础上，通过可变卷积算法进一步提取了陶瓷釉面图像的特征，并通过随机森林算法提高了分类识别的准确度。该发明有助于方便工厂检测出生产中不合格的陶瓷釉面，提高企业生产效率，降低企业生产成本。

Description

基于迁移学习和可变形CNN的陶瓷釉面缺陷检测方法
技术领域
本发明涉及计算机视觉技术领域，具体涉及迁移学习和可变形CNN的陶瓷釉面缺陷检测方法。
背景技术
随着神经网络算法的发展和计算机性能的提升，神经网络算法已经在各领域拥有了广泛的应用。我国的电力工业已处于世界领先地位，其中离不开质量上乘的绝缘子。绝缘子在电力工业起着至关重要的作用，因此，确保绝缘子质量就显得十分重要。对绝缘子的检测，主要是对陶瓷釉面是否存在缺陷进行检测，主要表现在以下方面：裂纹、缺釉和堆釉。
发明内容
发明目的：为了替代费时费力的人工检测方法，本文采用结合了可变卷积的压缩-拓展网络，对陶瓷釉面图像进行特征提取，并使用随机森林算法对陶瓷釉面图像进行检测。通过可变卷积替换压缩-拓展网络中的传统卷积核，降低了算法的时间成本并提高了准确度。通过该算法对不合格釉面进行缺陷类型分类，替代人工检测方法，有助于企业降低成本，提高生产效率，对我国的电力工业做出一点微小的工作。
本发明采用的技术方案为：
一种基于迁移学习核可变形CNN(卷积神经网络)的陶瓷釉面缺陷检测方法，具体包括以下步骤：
S1，构建陶瓷釉面图像样本数据集。
S2，通过迁移学习与可变卷积的方法，构建改进的CNN，对陶瓷釉面图像样本数据进行特征提取。
S3，使用随机森林算法进行分类。
在所述步骤S2中，中改进的CNN的构建方法,包括以下过程：
S21，由压缩-拓展网络构建特征提取CNN，对压缩-拓展网络的网络结构进行修改，通过使用可变卷积的卷积核，替代压缩-拓展网络中的所有卷积核，使得CNN能够更为充分地提取图片的特征；
S22，通过DAGM 2007数据集对神经网络参数进行训练；
S23，通过迁移学习，对训练的神经网络进行迁移。
上述S21中的可变卷积将卷积核拓展为含有偏置量Δpn的偏置矩阵，其中，{Δpn|n＝1,…,N}，N为卷积核的大小。可得可变卷积公式：
y(Pn)＝∑n∈Rw(pn)x(p0+pn+Δpn)
其中，x为输入采样点，pn为距离第一个采样点p0位置为n的采样点，Δpn为偏置量，ω为采样点权重。
在所述步骤S3中，采用了随机森林算法替代传统的多层感知机分类，并且不限制决策树的个数，使得算法能够充分分析，提高识别的最高准确度。
有益效果：
1.本发明所使用的卷积神经网络基于压缩-拓展网络卷积神经网络，并在此基础上更改了网络结构，用以减少算法执行的时间开销。
2.本发明所使用的卷积神经网络采用了可变卷积，提高了网络的特征提取能力，有助于提高整体的识别准确率。
3.本发明采用随机森林算法替代传统的全连接层，随机森林算法具有训练速度快，对高维度数据处理效果好等优点，并且该算法泛化能力强，能有效提高实际使用中的识别准确率。
附图说明
如图1所示为本发明的框架流程图；
如图2所示为压缩-拓展网络卷积神经网络结构及其模块图。
如图3所示为可变卷积核示意图。
具体实施方法
下面结合附图对本发明作更进一步的说明。
如图1所示，一种基于迁移学习和可变形CNN的陶瓷釉面缺陷检测方法，具体包括以下步骤：
S1，构建缺陷陶瓷釉面图像数据集
通过各种形式收集陶瓷釉面缺陷的图片：包括网络图片采集，实地拍照等形式，并且对收集来的图片依据缺陷类型进行分类。
S2，通过迁移学习与可变卷积的方法，构建改进的CNN，对陶瓷釉面图像样本数据进行特征提取。
在对陶瓷釉面图像样本数据进行特征提取中，具体包括以下步骤：
S21，压缩-拓展网络构建特征提取CNN，对压缩-拓展网络的网络结构进行修改。如图2所示，通过使用可变卷积的卷积核，替代压缩-拓展网络中的所有卷积核，使得CNN能够更好地提取图片的特征。
如图3所示，可变卷积将卷积核拓展为含有偏置量Δpn的偏置矩阵，其中，{Δpn|n＝1,…,N}，N为卷积核的大小。因此，对输入图像中每一个位置P0的卷积公式将变化为以下公式：
y(Pn)＝∑n∈Rw(pn)x(p0+pn+Δpn)
其中，x为输入采样点，pn为距离第一个采样点p0位置为n的采样点，Δpn为偏置量，ω为采样点权重。
S22，使用DAGM 2007对修改过的压缩-拓展网络进行训练，提取图片特征。
S23，将S22训练的网络进行迁移。
S3，使用迁移过后的网络输出结果对随机森林算法进行训练。
改进的CNN基于压缩-拓展网络，包括Conv 1、Fire 2、Fire 3、Fire 4、Fire 5、Fire 6、Fire 7、Fire 8、Fire 9、Conv 10、MaxPool 1、MaxPool 2、MaxPool 3、GlobalAvgPool 4和随机森林算法。
在GlobalAvgPool后，激活函数选择SoftMax:
Figure BDA0002255322200000031
便可将数据送入随机森林算法进行分类处理。
以上所述仅是本发明的优选实施方式，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饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.一种基于迁移学习和可变形CNN的陶瓷釉面缺陷检测方法，其特征在于包括以下几个步骤：
S1，构建陶瓷釉面图像样本数据集；
S2，通过迁移学习与可变卷积的方法，构建改进的CNN，对陶瓷釉面图像样本数据进行特征提取；
S3，使用随机森林算法进行分类。
2.根据权利要求1所述的基于迁移学习和可变CNN的陶瓷釉面缺陷检测方法，其特征在于所述步骤S2中改进的CNN的构建方法包括以下过程：
S21，由压缩-拓展网络构建特征提取CNN，对压缩-拓展网络的网络结构进行修改，通过使用可变卷积的卷积核，替代压缩-拓展网络中的所有卷积核，使得CNN能够更为充分地提取图片的特征；
S22，通过DAGM 2007数据集对神经网络参数进行训练；
S23，通过迁移学习，对训练的神经网络进行迁移。
3.根据权利要求2所述的基于迁移学习和可变形CNN的陶瓷釉面缺陷检测方法，其特征是在于所述步骤S21中使用可变卷积核将卷积核拓展为含有偏置量Δpn的偏置矩阵，其中，{Δpn|n＝1，...，N}，N为卷积核的大小；对输入图像中每一个位置P0的卷积公式将变化如公式1所示：
y(Pn)＝Σn∈Rw(pn)x(p0+pn+Δpn) (1)
其中，x为输入采样点，pn为距离第一个采样点p0位置为n的采样点，Δpn为偏置量，ω为采样点权重。
CN201911050944.9A 2019-10-31 2019-10-31 基于迁移学习和可变形cnn的陶瓷釉面缺陷检测方法 Withdrawn CN110782449A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911050944.9A CN110782449A (zh) 2019-10-31 2019-10-31 基于迁移学习和可变形cnn的陶瓷釉面缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911050944.9A CN110782449A (zh) 2019-10-31 2019-10-31 基于迁移学习和可变形cnn的陶瓷釉面缺陷检测方法

Publications (1)

Publication Number Publication Date
CN110782449A true CN110782449A (zh) 2020-02-11

Family

ID=69388183

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911050944.9A Withdrawn CN110782449A (zh) 2019-10-31 2019-10-31 基于迁移学习和可变形cnn的陶瓷釉面缺陷检测方法

Country Status (1)

Country Link
CN (1) CN110782449A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554240A (zh) * 2021-08-20 2021-10-26 林周县众陶联供应链服务有限公司 一种建筑陶瓷砖表面装饰施釉的数据分析预测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554240A (zh) * 2021-08-20 2021-10-26 林周县众陶联供应链服务有限公司 一种建筑陶瓷砖表面装饰施釉的数据分析预测方法及系统
CN113554240B (zh) * 2021-08-20 2022-06-10 西藏众陶联供应链服务有限公司 一种建筑陶瓷砖表面装饰施釉的数据分析预测方法及系统

Similar Documents

Publication Publication Date Title
CN110111297B (zh) 一种基于迁移学习的注塑制品表面图像缺陷识别方法
CN108038853B (zh) 一种基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法
CN108562589B (zh) 一种对磁路材料表面缺陷进行检测的方法
WO2019214268A1 (zh) 一种基于复合信息的光伏阵列故障诊断方法
Zhu et al. Modified densenet for automatic fabric defect detection with edge computing for minimizing latency
Althubiti et al. Circuit manufacturing defect detection using VGG16 convolutional neural networks
CN113034483B (zh) 基于深度迁移学习的烟支缺陷检测方法
CN107328787A (zh) 一种基于深度卷积神经网络的金属板带表面缺陷检测系统
CN114581782B (zh) 一种基于由粗到精检测策略的细微缺陷检测方法
CN111079784B (zh) 基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法
CN111161207A (zh) 一种集成的卷积神经网络织物疵点分类方法
CN111259397B (zh) 一种基于马尔科夫图和深度学习的恶意软件分类方法
CN106055928B (zh) 一种宏基因组重叠群的分类方法
CN110766681A (zh) 一种基于三重损失网络的竹条表面缺陷检测方法
CN108764084A (zh) 基于空域分类网络和时域分类网络融合的视频分类方法
CN111488920A (zh) 一种基于深度学习目标检测与识别的袋口位置检测方法
CN111160389A (zh) 一种基于融合vgg的岩性识别方法
Niu et al. Data augmentation on defect detection of sanitary ceramics
Wan et al. LFRNet: Localizing, focus, and refinement network for salient object detection of surface defects
CN110782449A (zh) 基于迁移学习和可变形cnn的陶瓷釉面缺陷检测方法
CN111932639A (zh) 一种基于卷积神经网络的不均衡缺陷样本的检测方法
CN114399018B (zh) 一种基于轮转操控策略麻雀优化的EfficientNet陶瓷碎片分类方法
CN110349119B (zh) 基于边缘检测神经网络的路面病害检测方法和装置
CN114596273B (zh) 利用yolov4网络的陶瓷基板多种瑕疵智能检测方法
Heng et al. Anti-vibration hammer detection in UAV image

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20200211

WW01 Invention patent application withdrawn after publication