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 PDFInfo
- 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- Withdrawn
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
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:
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。
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)
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 |
-
2019
- 2019-10-31 CN CN201911050944.9A patent/CN110782449A/zh not_active Withdrawn
Cited By (2)
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 | |
Zhu et al. | Modified densenet for automatic fabric defect detection with edge computing for minimizing latency | |
WO2019214268A1 (zh) | 一种基于复合信息的光伏阵列故障诊断方法 | |
CN109002824B (zh) | 一种基于OpenCV的建筑图纸标签信息检测方法 | |
CN113034483B (zh) | 基于深度迁移学习的烟支缺陷检测方法 | |
Althubiti et al. | Circuit manufacturing defect detection using VGG16 convolutional neural networks | |
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 | |
CN110766681A (zh) | 一种基于三重损失网络的竹条表面缺陷检测方法 | |
CN111161207A (zh) | 一种集成的卷积神经网络织物疵点分类方法 | |
CN106055928B (zh) | 一种宏基因组重叠群的分类方法 | |
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 | |
CN110738647A (zh) | 融合多感受野特征映射与高斯概率模型的老鼠检测方法 | |
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 | |
CN110782449A (zh) | 基于迁移学习和可变形cnn的陶瓷釉面缺陷检测方法 | |
CN112559791A (zh) | 一种基于深度学习的布匹分类检索方法 | |
CN114399018A (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 | |
CN111932639B (zh) | 一种基于卷积神经网络的不均衡缺陷样本的检测方法 | |
CN110349119B (zh) | 基于边缘检测神经网络的路面病害检测方法和装置 | |
CN117036429A (zh) | 一种用于光伏缺陷检测的红外-可见光异源图像配准方法 | |
CN114596273B (zh) | 利用yolov4网络的陶瓷基板多种瑕疵智能检测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200211 |
|
WW01 | Invention patent application withdrawn after publication |