CN110910368B - 基于语义分割的注射器缺陷检测方法 - Google Patents

基于语义分割的注射器缺陷检测方法 Download PDF

Info

Publication number
CN110910368B
CN110910368B CN201911138476.0A CN201911138476A CN110910368B CN 110910368 B CN110910368 B CN 110910368B CN 201911138476 A CN201911138476 A CN 201911138476A CN 110910368 B CN110910368 B CN 110910368B
Authority
CN
China
Prior art keywords
image
output
model
convolution
size
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.)
Active
Application number
CN201911138476.0A
Other languages
English (en)
Other versions
CN110910368A (zh
Inventor
黄坤山
李俊宇
彭文瑜
林玉山
魏登明
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.)
Foshan Nanhai Guangdong Technology University CNC Equipment Cooperative Innovation Institute
Foshan Guangdong University CNC Equipment Technology Development Co. Ltd
Original Assignee
Foshan Nanhai Guangdong Technology University CNC Equipment Cooperative Innovation Institute
Foshan Guangdong University CNC Equipment Technology Development Co. 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 Foshan Nanhai Guangdong Technology University CNC Equipment Cooperative Innovation Institute, Foshan Guangdong University CNC Equipment Technology Development Co. Ltd filed Critical Foshan Nanhai Guangdong Technology University CNC Equipment Cooperative Innovation Institute
Priority to CN201911138476.0A priority Critical patent/CN110910368B/zh
Publication of CN110910368A publication Critical patent/CN110910368A/zh
Application granted granted Critical
Publication of CN110910368B publication Critical patent/CN110910368B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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

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)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供基于语义分割的注射器缺陷检测方法，包括以下步骤，步骤S1：注射器图像采集，步骤S2：将json文件用代码转换成png掩膜图片，步骤S3：图像处理，即完成了注射器数据集的制作，步骤S4：构建全卷积神经网络模型，将训练数据集输入到语义分割网络中，迭代模型参数后得到收敛的分割模型，步骤S5：对模型进行测试，将测试数据集输入到语义分割网络中，得到注射器分割图，对比原图上的缺陷，判断模型的分割精度，步骤S6：导出模型文件，通过语义分割网络进行缺陷检测，自动判断注射器是否有缺陷相较于传统的人工检测，更加快速和准确，提高制造过程的自动化程度，能大大降低企业成本，同时提高生产率。

Description

基于语义分割的注射器缺陷检测方法
技术领域
本发明涉及及其视觉技术领域，特别涉及一种基于语义分割的注射器缺陷检测方法。
背景技术
在注射器在制造过程中，不可避免的会有残次品，所以加工厂需要将这些残次品挑选出来，而注射器制造商以往都是利用人眼来判断其制造缺陷，由于注射器制造数量十分庞大，完全靠人来检测制造缺陷，不仅检测效率低，而且成本高，检测工作需要耗费大量的人力物力，最终的检测结果还会因为人的不确定性影响检测精度和效率。
因此，有必要提供一种基于语义分割的注射器缺陷检测方法来克服此难题。
发明内容
本发明提供一种基于语义分割的注射器缺陷检测方法，克服了传统人工注射器缺陷检测方法，利用语义分割模型进行实时注射器的缺陷检测，可用于无损、无接触检测。描述采集的注射器图像被制作为注射器数据集输入到语义分割网络进行训练，接着进行图像处理后，最终得到训练好的网络模型，结合模型后端的预测，可达到实现智能缺陷检测，高效率和高精度的检测，减少人工干预的目的。
为解决上述技术问题，本发明提出的一种基于语义分割的注射器缺陷检测方法，包括以下步骤：
步骤S1：注射器图像采集，定义注射器待检测缺陷标准，对采集的图像利用标记软件进行标记得到json文件，将注射器图片有缺陷的部分标记成一种颜色，然后其他地方标记成另外一种颜色；
步骤S2：将json文件用代码转换成png掩膜图片，用于模型训练作为真实值计算模型预测误差；
步骤S3：图像处理，统一图像大小，进行数据增强，扩大图片的数量，将原图、掩膜图片和测试图像分为三组图片，即完成了注射器数据集{TrainX、Y、TestX}的制作；
步骤S4：构建全卷积神经网络模型，设置模型中初始化参数，损失函数以及优化器，将训练数据集{TrainX、Y}输入到语义分割网络中，迭代模型参数后得到收敛的分割模型(Model)；
步骤S5：对模型进行测试，将测试数据集{TestX}输入到语义分割网络中，利用分割模型model对图片进行语义分割，得到注射器分割图{Mask}，对比原图上的缺陷，判断模型的分割精度，如果精度足够，那么模型训练完成，否则继续迭代或增加训练数据集；
步骤S6：导出模型文件，利用该模型实时读取预测摄像头采集到的图片，如果预测图像不存在有缺陷所标记的颜色就是没有缺陷，存在有缺陷所标记的颜色就是存在缺陷。
优选地，在步骤S4中采用的所述语义分割网络，是一个全卷积层神经网络，分为两大部分，其具体结构：
第一部分：特征提取部分
第一次编码，图像输入572×572×1进来后进过两个卷积层，卷积核大小为3，步长为1，输出64个特征图，一次池化层，最大池化，池化核大小为2、步长为2，输出284×284×64；
第二次编码，图像输入进来后进过两个卷积层，卷积核大小为3，步长为1，输出128个特征图，一次池化层，最大池化，池化核大小为2、步长为2，输出140×140×128；
第三次编码，图像输入进来后进过两个卷积层，卷积核大小为3，步长为1，输出256个特征图，一次池化层，最大池化，池化核大小为2、步长为2，输出68×68×256；
第四次编码，图像输入进来后进过两个卷积层，卷积核大小为3，步长为1，输出512个特征图，一次池化层，最大池化，池化核大小为2、步长为2，输出32×32×512；
第五次编码，图像输入进来后进过两个卷积层，卷积核大小为3，步长为1，输出512个特征图，输出32×32×512；
第二部分：上采样部分
第一次译码，图像输入经过一个最大反池化层，与第四层卷积后的输出联合后经过两个卷积层处理，卷积核大小为3×3，步长为1，输出为52×52×512；
第二次译码，图像输入经过一个最大反池化层，与第三层卷积后的输出联合后经过两个卷积层处理，卷积核大小为3×3，步长为1，输出为100×100×256；
第三次译码，图像输入经过一个最大反池化层，与第二层卷积后的输出联合后经过两个卷积层处理，卷积核大小为3×3，步长为1，输出为196×196×128；
第四次译码，图像输入经过一个最大反池化层，与第一层卷积后的输出联合后经过两个卷积层处理，卷积核大小为3×3，步长为1，输出为388×388×64；
第五次译码，图像输入经过一个卷积层处理，卷积核大小为1×1，步长为1，输出为388×388×2；
损失函数定义为交叉熵
Figure BDA0002280196530000032
优化算法采用带动量的SGD，其中动量的值设为0.99优化器。
优选地，在步骤S2中，将原图和对应的所述掩膜图片进行数据增强操作获得更多的训练数据，让模型参数迭代更多次，以获得精度更高的模型。
优选地，使用标准差为
Figure BDA0002280196530000031
的高斯分布来进行初始化，对于不同卷积层，N的大小也是不同的。
优选地，在特征提取部分的最后输出加上了Dropout，隐式加强了数据增强。
与相关技术相比较，本发明提供的基于语义分割的注射器缺陷检测方法具有如下有益效果：
本发明较传统的方法有较大提升，通过语义分割网络进行缺陷检测，能够利用网络对图像样本数据进行学习，通过数据增强减少了样本采集数量，通过多层卷积进行特征提取，再通过上采样生成掩膜图像，得到缺陷检测图，自动判断注射器是否有缺陷相较于传统的人工检测，更加快速和准确，提高制造过程的自动化程度，能大大降低企业成本，同时提高生产率。
附图说明
图1为本发明例举的注射器原图；
图2为本发明例举的注射器掩膜图；
图3为本发明的方案流程图；
图4为本发明的模型训练测试流程图；
图1、图2与图4中：黑色墨迹即待检测缺陷，白色目标为缺陷显示。
具体实施方式
下面结合附图和实施方式对发明作进一步说明。
请结合参阅图1、图2、图3与图4，其中，图1与图2分别为本发明例举的注射器原图和注射器掩膜图，用以更直观地阐述本发明，图中黑色墨迹即待检测缺陷，白色目标为缺陷显示；图3为本发明基于语义分割的注射器缺陷检测方法的模型方案流程图；图4为本发明基于语义分割的注射器缺陷检测方法的模型训练测试流程图。
基于语义分割的注射器缺陷检测方法，包括以下步骤：
步骤S1：注射器图像采集，定义注射器待检测缺陷标准，对采集的图像利用标记软件进行标记得到json文件，将注射器图片有缺陷的部分标记成一种颜色，然后其他地方标记成另外一种颜色；
步骤S2：将json文件用代码转换成png掩膜图片，用于模型训练作为真实值计算模型预测误差；
步骤S3：图像处理，统一图像大小，进行数据增强，扩大图片的数量，将原图、掩膜图片和测试图像分为三组图片，即完成了注射器数据集{TrainX、Y、TestX}的制作；
步骤S4：构建全卷积神经网络模型，设置模型中初始化参数，损失函数以及优化器，将训练数据集{TrainX、Y}输入到语义分割网络中，迭代模型参数后得到收敛的分割模型(Model)；
步骤S5：对模型进行测试，将测试数据集{TestX}输入到语义分割网络中，利用分割模型model对图片进行语义分割，得到注射器分割图{Mask}，对比原图上的缺陷，判断模型的分割精度，如果精度足够，那么模型训练完成，否则继续迭代或增加训练数据集；
步骤S6：导出模型文件，利用该模型实时读取预测摄像头采集到的图片，如果预测图像不存在有缺陷所标记的颜色就是没有缺陷，存在有缺陷所标记的颜色就是存在缺陷。
在步骤S4中采用的所述语义分割网络，是一个全卷积层神经网络，分为两大部分，其具体结构：
第一部分：特征提取部分
第一次编码，图像输入572×572×1进来后进过两个卷积层，卷积核大小为3，步长为1，输出64个特征图，一次池化层，最大池化，池化核大小为2、步长为2，输出284×284×64；
第二次编码，图像输入进来后进过两个卷积层，卷积核大小为3，步长为1，输出128个特征图，一次池化层，最大池化，池化核大小为2、步长为2，输出140×140×128；
第三次编码，图像输入进来后进过两个卷积层，卷积核大小为3，步长为1，输出256个特征图，一次池化层，最大池化，池化核大小为2、步长为2，输出68×68×256；
第四次编码，图像输入进来后进过两个卷积层，卷积核大小为3，步长为1，输出512个特征图，一次池化层，最大池化，池化核大小为2、步长为2，输出32×32×512；
第五次编码，图像输入进来后进过两个卷积层，卷积核大小为3，步长为1，输出512个特征图，输出32×32×512；
第二部分：上采样部分
第一次译码，图像输入经过一个最大反池化层，与第四层卷积后的输出联合后经过两个卷积层处理，卷积核大小为3×3，步长为1，输出为52×52×512；
第二次译码，图像输入经过一个最大反池化层，与第三层卷积后的输出联合后经过两个卷积层处理，卷积核大小为3×3，步长为1，输出为100×100×256；
第三次译码，图像输入经过一个最大反池化层，与第二层卷积后的输出联合后经过两个卷积层处理，卷积核大小为3×3，步长为1，输出为196×196×128；
第四次译码，图像输入经过一个最大反池化层，与第一层卷积后的输出联合后经过两个卷积层处理，卷积核大小为3×3，步长为1，输出为388×388×64；
第五次译码，图像输入经过一个卷积层处理，卷积核大小为1×1，步长为1，输出为388×388×2；
损失函数定义为交叉熵
Figure BDA0002280196530000061
优化算法采用带动量的SGD，其中动量的值设为0.99优化器。
在步骤S2中，将原图和对应的所述掩膜图片进行数据增强操作获得更多的训练数据，让模型参数迭代更多次，以获得精度更高的模型。
使用标准差为
Figure BDA0002280196530000062
的高斯分布来进行初始化，对于不同卷积层，N的大小也是不同的。
在特征提取部分的最后输出加上了Dropout，隐式加强了数据增强。
结合图3与图4进行更进一步的说明，本发明提供的基于语义分割的注射器缺陷检测方法，包括以下实施步骤(此步骤与上述S1-S6步骤不冲突，是为提取关键描述并进行更详尽释义)：
步骤S1：图像采集和标定。
(1)注射器图像采集，在生产线上进行拍摄采集注射器图片，定义注射器待检测缺陷标准，将采集到的图片进行统一尺寸为572×572(长×宽)；
(2)注射器缺陷标准的定义，在注射器管壁上有黑色不规则墨迹认为是缺陷。
(3)接着进行标注，利用标记软件labelme，用曲线外接框选到图中注射器的上缺陷的位置，然后生成标记后json文件；
步骤S2：生成掩膜图。
将json文件用代码转换成png掩膜图片,如附图1，其中注射器图片有缺陷的部分标记成一种颜色(本实施例中标记为白色)，然后其他地方标记成另外一种颜色(本实施例中标记为黑色)，用于模型训练作为真实值{Y}计算模型预测误差。
步骤S3：数据增强。
利用图像处理，将采集到的原图和标记的掩膜图像对应的进行图像翻转变换、随机修剪、色彩抖动、平移变换、尺寸变换、对比度变换、噪声变换和旋转变换进行数据增强，丰富图像训练集，更好的提取图像特征，泛化模型(防止模型过拟合)，一般都会对数据图像进行数据增强，将原图、掩膜和测试图像分为三组图片，即完成了注射器数据集{TrainX、Y、TestX}的制作；
步骤S4：模型定义和训练。
(1)构建全卷积神经网络模型，设置模型中初始化参数，定义损失函数以及优化器，其模型的具体结构为：
第一、二层，卷积层，卷积核大小为3，步长为1，输出64个特征图；
第三层，池化核大小为2、步长为2的池化层；
第四、五层，卷积层，卷积核大小为3，步长为1，输出128个特征图；
第六层，池化核大小为2、步长为2的池化层；
第七、八层，卷积层，卷积核大小为3，步长为1，输出256个特征图；
第九层，池化层，池化核大小为2、步长为2；
十一层，卷积层，卷积核大小为3，步长为1，输出512个特征图；
第十二层，池化层，池化核大小为2、步长为2的池化层；
十四层，卷积层，卷积核大小为3，步长为1，输出1024个特征图；
第十五层，上采样卷积层，上采样核大小为2，步长为2，卷积核2，步长为2，输出512个特征图；
第十六层，以第三维度拼接第十二层和十五层；
十八层，卷积层，卷积核大小为3，步长为1，输出512个特征图；
第十九层，上采样卷积层，上采样核大小为2，步长为2，卷积核2，步长为2，输出256个特征图；
第二十层，以第三维度拼接第八层和十九层；
第二十一、二十二层，卷积层，卷积核大小为3，步长为1，输出256个特征图；
第二十三层，上采样卷积层，上采样核大小为2，步长为2，卷积核2，步长为2，输出128个特征图；
第二十四层，以第三维度拼接第五层和二十三层；
第二十五、二十六层，卷积层，卷积核大小为3，步长为1，输出128个特征图；
第二十七层，上采样卷积层，上采样核大小为2，步长为2，卷积核2，步长为2，输出64个特征图；
第二十八层，以第三维度拼接第二层和二十七层；
第二十九、三十层，卷积层，卷积核大小为3，步长为1，输出64个特征图；
第三十一层，卷积层，卷积核大小为3，步长为1，输出2个特征图；
第三十二层、卷积层(输出层)，卷积核大小为1，步长为1，输出1个特征图。
损失函数定义为交叉熵
Figure BDA0002280196530000081
优化算法采用Adam优化器；
(2)将训练数据集{TrainX、Y}输入到语义分割网络中，模型每次读取到一批图像后，计算预测值和标准值之间的误差，然后利用梯度下降法减小误差，迭代完所有的测试集图片之后导出训练完的分割模型，迭代模型参数后得到收敛的分割模型(Model)。
步骤S5：对模型进行测试，将测试数据集{TestX}输入到语义分割网络中，利用分割模型model对图片进行语义分割，得到注射器分割图{Mask}，对比原图上的缺陷，判断模型的分割精度，如果精度足够，那么模型训练完成，否则继续迭代或增加训练数据集(修改参数)；
步骤S6：导出模型文件，利用该模型实时读取预测摄像头采集到的图片，如果预测图像为全黑就是没有缺陷，有白色目标就是有缺陷。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (5)

1.基于语义分割的注射器缺陷检测方法，其特征在于，包括以下步骤：
步骤S1：注射器图像采集，定义注射器待检测缺陷标准，对采集的图像利用标记软件进行标记得到json文件，将注射器图片有缺陷的部分标记成一种颜色，然后其他地方标记成另外一种颜色；
步骤S2：将json文件用代码转换成png掩膜图片，用于模型训练作为真实值计算模型预测误差；
步骤S3：图像处理，统一图像大小，进行数据增强，扩大图片的数量，将原图、掩膜图片和测试图像分为三组图片，即完成了注射器数据集{TrainX、Y、TestX}的制作；
步骤S4：构建全卷积神经网络模型，设置模型中初始化参数，损失函数以及优化器，将训练数据集{TrainX、Y}输入到语义分割网络中，迭代模型参数后得到收敛的分割模型Model；
步骤S5：对模型进行测试，将测试数据集{TestX}输入到语义分割网络中，利用分割模型model对图片进行语义分割，得到注射器分割图{Mask}，对比原图上的缺陷，判断模型的分割精度，如果精度足够，那么模型训练完成，否则继续迭代或增加训练数据集；
步骤S6：导出模型文件，利用该模型实时读取预测摄像头采集到的图片，如果预测图像不存在有缺陷所标记的颜色就是没有缺陷，存在有缺陷所标记的颜色就是存在缺陷。
2.根据权利要求1所述的基于语义分割的注射器缺陷检测方法，其特征在于，在步骤S4中采用的所述语义分割网络，是一个全卷积层神经网络，分为两大部分，其具体结构：
第一部分：特征提取部分
第一次编码，图像输入572
Figure 635307DEST_PATH_IMAGE002
572
Figure 477361DEST_PATH_IMAGE002
1进来后进过两个卷积层，卷积核大小为3，步长为1，输出64个特征图，一次池化层，最大池化，池化核大小为2、步长为2，输出284
Figure 872570DEST_PATH_IMAGE002
284
Figure 686943DEST_PATH_IMAGE002
64；
第二次编码，图像输入进来后进过两个卷积层，卷积核大小为3，步长为1，输出128个特征图，一次池化层，最大池化，池化核大小为2、步长为2，输出140
Figure 509405DEST_PATH_IMAGE002
140
Figure 838755DEST_PATH_IMAGE002
128；
第三次编码，图像输入进来后进过两个卷积层，卷积核大小为3，步长为1，输出256个特征图，一次池化层，最大池化，池化核大小为2、步长为2，输出68
Figure 37655DEST_PATH_IMAGE002
68
Figure 706534DEST_PATH_IMAGE002
256；
第四次编码，图像输入进来后进过两个卷积层，卷积核大小为3，步长为1，输出512个特征图，一次池化层，最大池化，池化核大小为2、步长为2，输出32
Figure 325997DEST_PATH_IMAGE002
32
Figure 80326DEST_PATH_IMAGE002
512；
第五次编码，图像输入进来后进过两个卷积层，卷积核大小为3，步长为1，输出512个特征图，输出32
Figure 817338DEST_PATH_IMAGE002
32
Figure 340723DEST_PATH_IMAGE002
512；
第二部分：上采样部分
第一次译码，图像输入经过一个最大反池化层，与第四层卷积后的输出联合后经过两个卷积层处理，卷积核大小为3
Figure 770567DEST_PATH_IMAGE002
3，步长为1，输出为52
Figure 74510DEST_PATH_IMAGE002
52
Figure 349633DEST_PATH_IMAGE002
512；
第二次译码，图像输入经过一个最大反池化层，与第三层卷积后的输出联合后经过两个卷积层处理，卷积核大小为3
Figure 993104DEST_PATH_IMAGE002
3，步长为1，输出为100
Figure 328271DEST_PATH_IMAGE002
100
Figure 57192DEST_PATH_IMAGE002
256；
第三次译码，图像输入经过一个最大反池化层，与第二层卷积后的输出联合后经过两个卷积层处理，卷积核大小为3
Figure 198323DEST_PATH_IMAGE002
3，步长为1，输出为196
Figure 696301DEST_PATH_IMAGE002
196
Figure 467948DEST_PATH_IMAGE002
128；
第四次译码，图像输入经过一个最大反池化层，与第一层卷积后的输出联合后经过两个卷积层处理，卷积核大小为3
Figure 418586DEST_PATH_IMAGE002
3，步长为1，输出为388
Figure 301092DEST_PATH_IMAGE002
388
Figure 214428DEST_PATH_IMAGE002
64；
第五次译码，图像输入经过一个卷积层处理，卷积核大小为1
Figure 156976DEST_PATH_IMAGE002
1，步长为1，输出为388
Figure 594910DEST_PATH_IMAGE002
388
Figure 140161DEST_PATH_IMAGE002
2；
损失函数定义为交叉熵
Figure 612731DEST_PATH_IMAGE003
，优化算法采用带动量的随机梯度下降法，其中动量的值设为0.99优化器。
3.根据权利要求1所述的基于语义分割的注射器缺陷检测方法，其特征在于，在步骤S2中，将原图和对应的所述掩膜图片进行数据增强操作获得更多的训练数据，让模型参数迭代更多次，以获得精度更高的模型。
4.根据权利要求1所述的基于语义分割的注射器缺陷检测方法，其特征在于，使用标准差为
Figure 726180DEST_PATH_IMAGE005
的高斯分布来进行初始化，对于不同卷积层，N的大小也是不同的。
5.根据权利要求1所述的基于语义分割的注射器缺陷检测方法，其特征在于，在特征提取部分的最后输出加上了Dropout。
CN201911138476.0A 2019-11-20 2019-11-20 基于语义分割的注射器缺陷检测方法 Active CN110910368B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911138476.0A CN110910368B (zh) 2019-11-20 2019-11-20 基于语义分割的注射器缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911138476.0A CN110910368B (zh) 2019-11-20 2019-11-20 基于语义分割的注射器缺陷检测方法

Publications (2)

Publication Number Publication Date
CN110910368A CN110910368A (zh) 2020-03-24
CN110910368B true CN110910368B (zh) 2022-05-13

Family

ID=69818194

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911138476.0A Active CN110910368B (zh) 2019-11-20 2019-11-20 基于语义分割的注射器缺陷检测方法

Country Status (1)

Country Link
CN (1) CN110910368B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111429459A (zh) * 2020-04-07 2020-07-17 上海极链网络科技有限公司 一种端到端的联合分类的医学图像分割方法及系统
CN111738994B (zh) * 2020-06-10 2024-04-16 南京航空航天大学 一种轻量级的pcb缺陷检测方法
CN112365478A (zh) * 2020-11-13 2021-02-12 上海海事大学 一种基于语义分割的电机换向器表面缺陷检测模型
CN112734742B (zh) * 2021-01-19 2021-11-16 上海微亿智造科技有限公司 用于提高工业质检准确率的方法和系统
CN112950606B (zh) * 2021-03-15 2023-04-07 重庆邮电大学 一种基于小样本的手机屏幕缺陷分割方法
CN113034494A (zh) * 2021-04-20 2021-06-25 佛山市南海区广工大数控装备协同创新研究院 一种基于深度学习的橡胶密封圈缺陷检测方法
CN113239930B (zh) * 2021-05-14 2024-04-05 广州广电运通金融电子股份有限公司 一种玻璃纸缺陷识别方法、系统、装置及存储介质
CN113724231B (zh) * 2021-09-01 2023-12-29 广东工业大学 一种基于语义分割和目标检测融合模型的工业缺陷检测方法
CN114372967A (zh) * 2021-12-31 2022-04-19 中核武汉核电运行技术股份有限公司 一种蒸汽发生器二次侧传热管管间泥渣厚度自动识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102788801A (zh) * 2012-08-14 2012-11-21 深圳先进技术研究院 一种在线检测系统及其检测方法
WO2018140596A2 (en) * 2017-01-27 2018-08-02 Arterys Inc. Automated segmentation utilizing fully convolutional networks
CN110197516A (zh) * 2019-05-29 2019-09-03 浙江明峰智能医疗科技有限公司 一种基于深度学习的tof-pet散射校正方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102788801A (zh) * 2012-08-14 2012-11-21 深圳先进技术研究院 一种在线检测系统及其检测方法
WO2018140596A2 (en) * 2017-01-27 2018-08-02 Arterys Inc. Automated segmentation utilizing fully convolutional networks
CN110197516A (zh) * 2019-05-29 2019-09-03 浙江明峰智能医疗科技有限公司 一种基于深度学习的tof-pet散射校正方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A detection method of port fuel injector spray distribution;Junchao Zhu et al.;《2016 IEEE International Conference on Mechatronics and Automation》;IEEE;20160905;全文 *
注射制品表面缺陷在线检测与自动识别;杨威等;《模具工业》;20130715(第07期);全文 *
深度学习数据标注之——将json文件的mask以png格式提取;Zed Ranger;《网址：https://zhuanlan.zhihu.com/p/58273709》;20190308;全文 *

Also Published As

Publication number Publication date
CN110910368A (zh) 2020-03-24

Similar Documents

Publication Publication Date Title
CN110910368B (zh) 基于语义分割的注射器缺陷检测方法
CN111210435B (zh) 一种基于局部和全局特征增强模块的图像语义分割方法
CN110163246B (zh) 基于卷积神经网络的单目光场图像无监督深度估计方法
CN113139453B (zh) 一种基于深度学习的正射影像高层建筑基底矢量提取方法
CN110570396A (zh) 一种基于深度学习的工业产品缺陷检测方法
CN112967249B (zh) 一种基于深度学习的预制桥墩钢筋孔制造误差智能识别方法
CN112037166A (zh) 一种表面缺陷检测方法及检测装置
CN110930383A (zh) 基于深度学习语义分割和图像分类的注射器缺陷检测方法
CN111626994A (zh) 基于改进U-Net神经网络的设备故障缺陷诊断方法
CN113420619A (zh) 一种遥感影像建筑物提取方法
CN115731400A (zh) 基于自监督学习的x光图像异物检测方法
CN117540779A (zh) 一种基于双源知识蒸馏的轻量化金属表面缺陷检测方法
CN116958827A (zh) 一种基于深度学习的撂荒区域提取方法
CN113962980A (zh) 基于改进yolov5x的玻璃容器瑕疵检测方法及系统
CN114972268A (zh) 一种缺陷图像的生成方法、装置、电子设备及存储介质
CN110633739A (zh) 基于并行模块深度学习的偏光片缺陷图像实时分类方法
CN111753714A (zh) 基于字符分割的多方向自然场景文本检测方法
CN115112509B (zh) 一种基于Mask R-CNN网络的材料表面压痕测量方法
CN114419078B (zh) 基于卷积神经网络的表面缺陷区域分割方法及装置
CN116342536A (zh) 基于轻量化模型的铝带材表面缺陷检测方法、系统及设备
CN115587989A (zh) 一种工件ct图像缺陷检测分割方法及系统
CN111127393B (zh) 雷达影像变化检测的样本制作方法及系统、存储介质、设备
CN115358981A (zh) 胶水缺陷的确定方法、装置、设备及存储介质
CN113947567A (zh) 基于多任务学习的缺陷检测方法
CN113947102A (zh) 一种用于复杂环境移动机器人场景理解的主干双路图像语义分割方法

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
GR01 Patent grant
GR01 Patent grant