CN110852373A - 基于视觉的无缺陷样本深度学习网络训练方法 - Google Patents

基于视觉的无缺陷样本深度学习网络训练方法 Download PDF

Info

Publication number
CN110852373A
CN110852373A CN201911085284.8A CN201911085284A CN110852373A CN 110852373 A CN110852373 A CN 110852373A CN 201911085284 A CN201911085284 A CN 201911085284A CN 110852373 A CN110852373 A CN 110852373A
Authority
CN
China
Prior art keywords
defect
network
defects
deep learning
product
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
CN201911085284.8A
Other languages
English (en)
Inventor
许琦
何志权
何志海
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.)
Shenzhen Deep View Creative Technology Ltd
Original Assignee
Shenzhen Deep View Creative Technology Ltd
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 Shenzhen Deep View Creative Technology Ltd filed Critical Shenzhen Deep View Creative Technology Ltd
Priority to CN201911085284.8A priority Critical patent/CN110852373A/zh
Publication of CN110852373A publication Critical patent/CN110852373A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/08—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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • G06T2207/20—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]

Landscapes

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

Abstract

本发明提供了一种基于视觉的无缺陷样本深度学习网络训练方法，包括：将产品的原始数据及以往缺陷库中的缺陷进行融合，从而得到产品缺陷数据；构建深度学习网络；把训练数据放入所述网络中训练，网络输出端则是相应无缺陷的产品，训练模型，以学习到具有过滤缺陷能力的网络模型；通过对网络模型的输入端和输出端做一个简单的差值得到结果图；对结果图设置一定的阈值即可得到产品是否有缺陷、以及对应的缺陷位置和大小信息。本发明避免了收集标记数据的时间和人力导致的生产效率降低问题，进一步地与深度学习算法相结合，可以自动过滤缺陷，从而利用输入端与输出端的差值确定出缺陷信息。

Description

基于视觉的无缺陷样本深度学习网络训练方法
技术领域
本发明涉及缺陷检测识别领域，特别涉及一种基于视觉的无缺陷样本深度学习网络训练方法。
背景技术
在工业生产线上，为保证产品质量良好无缺陷，经常需要人工检视或利用传统算法(颜色或轮廓匹配等)或深度学习算法筛选缺陷不良品。人工检视会受到工人离职、培训、假期等方面的因素制约进而导致生产成本高昂、生产效率不高。
对于传统算法而言其致命缺点是算法适用性不够，产品的颜色或形状或大小等轻微变化都极可能导致之前开发的传统算法不再适用于新的产品，需要专业的算法人员持续跟进开发算法，导致传统算法的维护周期长和维护成本高昂。
由于深度学习算法具有开发周期短、算法适应能力极强、极高的准确率等优点，深度学习算法已广泛应用于工业生产检测中。一般来说其基本操作流程如下，在生产产品检测之前首先需要收集大量有缺陷产品数据和无缺陷产品数据，然后进行相应的数据标签标记，最后训练模型应用于生产线上。
然而，前两步的工作就需要消耗大量的人力和时间，并不能做到深度网络模型的快速替换，这就在一定程度上降低生产效率。对于产品缺陷出现的概率极小，收集大量的缺陷数据就极不现实，这种操作流程的深度学习算法将不再适用，同时收集标记数据的时间和人力导致的生产效率降低问题也让很多工业生产商对深度学习算法敬而远之。针对这种情况，本发明提出的算法将解决不受到这些方面的制约。
发明内容
本发明提供了一种基于视觉的无缺陷样本深度学习网络训练方法，以解决至少一个上述技术问题。
为解决上述问题，作为本发明的一个方面，提供了一种基于视觉的无缺陷样本深度学习网络训练方法，包括：
步骤1，将产品的原始数据及以往缺陷库中的缺陷进行融合，从而得到产品缺陷数据；
步骤2，构建深度学习网络；
步骤3，把训练数据放入所述网络中训练，网络输出端则是相应无缺陷的产品，训练模型，以学习到具有过滤缺陷能力的网络模型；
步骤4，通过对网络模型的输入端和输出端做一个简单的差值得到结果图；
步骤5，对结果图设置一定的阈值即可得到产品是否有缺陷、以及对应的缺陷位置和大小信息。
优选地，所述步骤中，将所述缺陷与原始数据通过高斯模糊方法进行融合。
优选地，所述深度学习网络通过Encoder-Decoder模型构建。
优选地，该网络的Encoder和Decoder模块之间通过Fpn算法连接以进一步降低网络的信息损失。
由于采用了上述技术方案，本发明不需要消耗大量的人力和时间去收集缺陷数据及无缺陷数据，也不需要进行数据标签标记，避免了收集标记数据的时间和人力导致的生产效率降低问题，进一步地与深度学习算法相结合，可以自动过滤缺陷，从而利用输入端与输出端的差值确定出缺陷信息。
附图说明
图1示意性地示出了本发明的流程图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
对于深度学习算法而言，训练数据对网络模型的性能影响至关重要，所以训练数据中没有缺陷数据而期望训练出来的深度网络模型具有检测缺陷的能力是根本不可能。
由于产品真实的缺陷数据本就极少，所以本发明需要利用已有的缺陷重新构造一批有缺陷产品数据用做训练数据。对于无缺陷产品来说，真实的产品缺陷就是一种有异于正常产品的异物，人造缺陷同时也是一种异物，本质一样。利用这些训练数据训练一个深度学习网络，使该网络拥有过滤产品缺陷的能力，再加上一些传统算法就不难得到产品缺陷的位置、大小、强度等。
为此，本发明中的面向工业界的无缺陷样本深度学习网络及训练方法包括以下步骤。
步骤1：提取产品的原始数据，从以往的缺陷库中获取缺陷，这些缺陷与原始数据通过高斯模糊方法进行融合从而得到产品缺陷数据。这样，本发明可以重新构造一批有缺陷产品数据用做训练数据，以弥补缺陷数据不足，不好收集的问题。
步骤2：构建一个Encoder-Decoder模型，该网络的Encoder和Decoder模块之间通过Fpn算法连接能进一下降低网络的信息损失。
步骤3：把训练数据放入以上网络中训练，网络输出端则是相应无缺陷的产品，训练模型。
步骤4：由于学习到的网络模型拥有过滤缺陷的能力，通过输入端和输出端做一个简单的差值得到结果图；
步骤5：对结果图设置一定的阈值即可得到产品是否有缺陷以及对应的缺陷位置和大小信息。
由于采用了上述技术方案，本发明不需要消耗大量的人力和时间去收集缺陷数据及无缺陷数据，也不需要进行数据标签标记，避免了收集标记数据的时间和人力导致的生产效率降低问题，进一步地与深度学习算法相结合，可以自动过滤缺陷，从而利用输入端与输出端的差值确定出缺陷信息。
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，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (4)

1.一种基于视觉的无缺陷样本深度学习网络训练方法，其特征在于，包括：
步骤1，将产品的原始数据及以往缺陷库中的缺陷进行融合，从而得到产品缺陷数据；
步骤2，构建深度学习络；
步骤3，把训练数据放入所述网络中训练，网络输出端则是相应无缺陷的产品，训练模型，以学习到具有过滤缺陷能力的网络模型；
步骤4，通过对网络模型的输入端和输出端做一个简单的差值得到结果图；
步骤5，对结果图设置一定的阈值即可得到产品是否有缺陷、以及对应的缺陷位置和大小信息。
2.根据权利要求1所述的方法，其特征在于，所述步骤中，将所述缺陷与原始数据通过高斯模糊方法进行融合。
3.根据权利要求1所述的方法，其特征在于，所述深度学习网络通过Encoder-Decoder模型构建。
4.根据权利要求3所述的方法，其特征在于，该网络的Encoder和Decoder模块之间通过Fpn算法连接以进一步降低网络的信息损失。
CN201911085284.8A 2019-11-08 2019-11-08 基于视觉的无缺陷样本深度学习网络训练方法 Pending CN110852373A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911085284.8A CN110852373A (zh) 2019-11-08 2019-11-08 基于视觉的无缺陷样本深度学习网络训练方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911085284.8A CN110852373A (zh) 2019-11-08 2019-11-08 基于视觉的无缺陷样本深度学习网络训练方法

Publications (1)

Publication Number Publication Date
CN110852373A true CN110852373A (zh) 2020-02-28

Family

ID=69598843

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911085284.8A Pending CN110852373A (zh) 2019-11-08 2019-11-08 基于视觉的无缺陷样本深度学习网络训练方法

Country Status (1)

Country Link
CN (1) CN110852373A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709920A (zh) * 2020-06-01 2020-09-25 深圳市深视创新科技有限公司 模板缺陷检测方法
CN112070712A (zh) * 2020-06-05 2020-12-11 宁波大学 基于自编码器网络的印刷缺陷检测方法
CN112907543A (zh) * 2021-02-24 2021-06-04 胡志雄 一种基于随机缺陷模型的产品外观缺陷检测方法
CN113095400A (zh) * 2021-04-09 2021-07-09 安徽芯纪元科技有限公司 一种用于机器视觉缺陷检测的深度学习模型训练方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650770A (zh) * 2016-09-29 2017-05-10 南京大学 一种基于样本学习和人眼视觉特性的mura缺陷检测方法
CN110070526A (zh) * 2019-04-18 2019-07-30 深圳市深视创新科技有限公司 基于深度神经网络热度图预测的缺陷检测方法
CN110136130A (zh) * 2019-05-23 2019-08-16 北京阿丘机器人科技有限公司 一种检测产品缺陷的方法及装置
CN110175982A (zh) * 2019-04-16 2019-08-27 浙江大学城市学院 一种基于目标检测的缺陷检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650770A (zh) * 2016-09-29 2017-05-10 南京大学 一种基于样本学习和人眼视觉特性的mura缺陷检测方法
CN110175982A (zh) * 2019-04-16 2019-08-27 浙江大学城市学院 一种基于目标检测的缺陷检测方法
CN110070526A (zh) * 2019-04-18 2019-07-30 深圳市深视创新科技有限公司 基于深度神经网络热度图预测的缺陷检测方法
CN110136130A (zh) * 2019-05-23 2019-08-16 北京阿丘机器人科技有限公司 一种检测产品缺陷的方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HUA YANG ET AL.: "Multiscale Feature-Clustering-Based Fully Convolutional Autoencoder for Fast Accurate Visual Inspection of Texture Surface Defects", 《IEEE TRANSACTIONS ON AUTOMATION SCIENCE AND ENGINEERING》 *
JITENDRA R.RAOL 等著: "《移动智能自主系统》", 30 September 2018 *
张宏伟 等: "基于去噪卷积自编码器的色织衬衫裁片缺陷检测", 《纺织高校基础科学学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111709920A (zh) * 2020-06-01 2020-09-25 深圳市深视创新科技有限公司 模板缺陷检测方法
CN112070712A (zh) * 2020-06-05 2020-12-11 宁波大学 基于自编码器网络的印刷缺陷检测方法
CN112070712B (zh) * 2020-06-05 2024-05-03 湖北金三峡印务有限公司 基于自编码器网络的印刷缺陷检测方法
CN112907543A (zh) * 2021-02-24 2021-06-04 胡志雄 一种基于随机缺陷模型的产品外观缺陷检测方法
CN112907543B (zh) * 2021-02-24 2024-03-26 胡志雄 一种基于随机缺陷模型的产品外观缺陷检测方法
CN113095400A (zh) * 2021-04-09 2021-07-09 安徽芯纪元科技有限公司 一种用于机器视觉缺陷检测的深度学习模型训练方法

Similar Documents

Publication Publication Date Title
CN110852373A (zh) 基于视觉的无缺陷样本深度学习网络训练方法
CN104331521A (zh) 基于图像处理的变电设备异常自动识别方法
CN113083804A (zh) 激光智能除锈方法、系统及可存读介质
CN205538710U (zh) 一种基于机器视觉的电感质量自动检测系统
CN107977686B (zh) 一种工业x光图像的分类方法
CN110648310A (zh) 基于注意力机制的弱监督铸件缺陷识别方法
CN110009008A (zh) 基于提取的免疫固定电泳图特征对其进行自动分类的方法
CN114219799A (zh) 一种智能制造用次品分析方法及系统
CN111179250A (zh) 一种基于多任务学习的工业品缺陷检测系统
CN111861990A (zh) 一种产品不良外观检测的方法、系统及存储介质
CN110517233A (zh) 一种基于人工智能的缺陷分类学习系统及其分类方法
CN104048966B (zh) 一种基于大律法的布面疵点检测及分类方法
CN112258459A (zh) 一种基于集成深度学习的锂电池瑕疵检测方法
CN111103307A (zh) 一种基于深度学习的pcb板缺陷检测方法
CN113627435A (zh) 一种瓷砖的瑕疵检测与识别方法及系统
CN112070712A (zh) 基于自编码器网络的印刷缺陷检测方法
CN114997463A (zh) 一种基于模型融合的烤烟工艺阶段预测方法及系统
CN204718967U (zh) 一种化纤纸管外观检测过程中图像精确处理系统
CN114895634A (zh) 一种基于机器视觉的产品生产线自动控制系统
CN117689646A (zh) 一种正负样本融合的高精度缺陷检测方法、系统及介质
CN114359779B (zh) 一种基于深度学习的皮带撕裂检测方法
CN116859853A (zh) 一种用于发电厂的智能辅控dcs系统
CN111709920A (zh) 模板缺陷检测方法
CN115546108A (zh) 基于边云协同和ar的汽车轮胎外观质量智能检测方法
CN113837178A (zh) 一种基于深度学习的变电站表计自动定位与统一分割方法

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