CN110991540A - 一种面向机箱装配质量快速检测的轻量化图像分类方法 - Google Patents
一种面向机箱装配质量快速检测的轻量化图像分类方法 Download PDFInfo
- Publication number
- CN110991540A CN110991540A CN201911248460.5A CN201911248460A CN110991540A CN 110991540 A CN110991540 A CN 110991540A CN 201911248460 A CN201911248460 A CN 201911248460A CN 110991540 A CN110991540 A CN 110991540A
- Authority
- CN
- China
- Prior art keywords
- convolution
- image classification
- channel
- assembly quality
- classification method
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种面向机箱装配质量快速检测的轻量化图像分类方法,所述方法包括:解耦网络通道相关性与网络空间相关性;基于深度可分离卷积,完成下采样,减少模型计算量;基于组卷积通道互连,引入线性修正,减少模型参数量;深度可分离卷积与组卷积通道互连交替连接,完成图像分类,实现机箱装配质量快速检测。本发明解耦网络通道与网络空间相关性,解决卷积神经网络多层卷积带来的参数量多、计算量大等问题,基于深度可分离卷积和组卷积通道互连,完成下采样和引入线性修正,减少模型计算量、参数量,有助于在机箱装配质量快速检测中应用。
Description
技术领域
本发明涉及装配质量检测领域,尤其涉及一种面向机箱装配质量快速检测的轻量化图像分类方法。
背景技术
视觉检测技术因可提高生产效率、实现机器代人、促进装配产业升级而得到广泛应用。传统人工检查机箱装配质量方式难以满足大批量生产要求。机箱装配质量的优劣直接影响产品的使用,高效检测生产线上的机箱装配质量十分必要。基于经典图像分类算法在复杂场景中难以达到好效果,卷积神经网络逐层提取图像特征,根据多特征统计数据再通过分类器实现图像分类,具有提取特征多样、分类准确率高等特点,然而,由于存储空间和功耗的限制,神经网络模型难以满足产线快速检测要求。
近年来,深度网络已在视觉检测任务上应用与发展,卷积神经网络在各行业特别是制造产品质量检测中得到应用并取得较好的成效。可以看出,卷积神经网络是检测识别领域的趋势,若能解决模型效率问题,即解决卷积神经网络多层卷积带来的参数量多、计算量大等问题,将有助于卷积神经网络在机箱装配质量实现快速检测。
发明内容
为解决上述存在的问题与缺陷,本发明提供一种面向机箱装配质量快速检测的轻量化图像分类方法,通过解耦网络通道与网络空间相关性,解决卷积神经网络多层卷积带来的参数量多、计算量大等问题,基于深度可分离卷积和组卷积通道互连,完成下采样和引入线性修正,减少模型计算量、参数量,有助于在机箱装配质量快速检测中应用。
本发明的目的通过以下的技术方案来实现:
一种面向机箱装配质量检测的图像多特征提取与分类方法,该方法包括:
A解耦网络通道相关性与网络空间相关性;
B基于深度可分离卷积,引入逐点卷积完成下采样,减少模型计算量;
C基于组卷积通道互连,引入线性修正,减少模型参数量;
D深度可分离卷积与组卷积通道互连交替连接,完成图像分类,实现机箱装配质量快速检测。
本发明有益效果是:
通过解耦网络通道与网络空间相关性,解决卷积神经网络多层卷积带来的参数量多、计算量大等问题,基于深度可分离卷积和组卷积通道互连,完成下采样和引入线性修正,减少模型计算量、参数量,有助于在机箱装配质量快速检测中应用。
附图说明
图1是面向机箱装配质量快速检测的轻量化图像分类方法流程框图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述。
本发明是面向机箱装配质量快速检测的轻量化图像分类方法,如图1所示,该方法包括如下步骤:
步骤10、解耦网络通道相关性与网络空间相关性:
机箱装配质量快速检测的轻量化分类模型解耦网络通道相关性SChannel与网络空间相关性SS,其中通道参数量为:
SChannel=SF×SK
式中,SF、SK分别表示特征图参数量、卷积核参数量;空间占用量为:
SS=Cout×(Cin×SK)
式中,C通道数。
步骤20、基于深度可分离卷积,引入逐点卷积完成下采样,减少模型参数量:
基于深度可分离卷积,网络通道参数量为:
SChannel=(Hout×Wout)×(Cin×Kh×Kw)
式中,H、W、K分别表示特征图高度、特征图宽度、卷积核。
引入逐点卷积完成下采样,减少参数量为:
步骤30、基于组卷积通道互连,引入线性修正,降低模型计算量:
基于组卷积通道互连,交换部分通道实现交换信息,使得各个组的信息更丰富,从而能够提取到更多特征,解决深度可分离卷积造成的信息缺失问题。
基于组卷积通道互连提高信息流通与信息表达能力,引入线性修正,减低模型计算量,模型计算量为:。
式中,β表示线性修正函数,具体形式为:
式中,λ表示学习变量。
步骤40、深度可分离卷积与组卷积通道互连交替连接,完成图像分类,实现机箱装配质量快速检测:
步骤20深度可分离卷积与步骤30组卷积通道互连交替连接,在减少参数量、降低计算量的同时丰富特征信息完成图像分类,本实例卷积模块按步骤20与步骤30交替连接,共50层卷积层,后接7×7平均池化层,再接全连接层,经过分类器输出的结果,最终实现机箱装配质量快速检测。
上述方式通过解耦网络通道与网络空间相关性,解决卷积神经网络多层卷积带来的参数量多、计算量大等问题,基于深度可分离卷积和组卷积通道互连,完成下采样和引入线性修正,减少模型计算量、参数量,有助于在机箱装配质量快速检测中应用。
虽然本发明所揭露的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (7)
1.一种面向机箱装配质量快速检测的轻量化图像分类方法,其特征在于,所述方法包括:
A解耦网络通道相关性与网络空间相关性;
B基于深度可分离卷积,引入逐点卷积完成下采样,减少模型参数量;
C基于组卷积通道互连,引入线性修正,降低模型计算量;
D深度可分离卷积与组卷积通道互连交替连接,完成图像分类,实现机箱装配质量快速检测。
2.如权利要求1所述的面向机箱装配质量快速检测的轻量化图像分类方法,其特征在于,所述步骤A中,机箱装配质量快速检测的轻量化分类模型解耦网络通道相关性SChannel与网络空间相关性SS,其中通道参数量为:
SChannel=SF×SK
式中,SF、SK分别表示特征图参数量、卷积核参数量;空间占用量为:
SS=Cout×(Cin×SK)
式中,C通道数。
3.如权利要求1所述的面向机箱装配质量快速检测的轻量化图像分类方法,其特征在于,所述步骤B中,基于深度可分离卷积,网络通道参数量为:
SChannel=(Hout×Wout)×(Cin×Kh×Kw)
式中,H、W、K分别表示特征图高度、特征图宽度、卷积核。
5.如权利要求1所述的面向机箱装配质量快速检测的轻量化图像分类方法,其特征在于,所述步骤C中,基于组卷积通道互连,交换部分通道实现交换信息,使得各个组的信息更丰富,从而能够提取到更多特征,解决深度可分离卷积造成的信息缺失问题。
7.如权利要求1所述的面向机箱装配质量快速检测的轻量化图像分类方法,其特征在于,所述步骤D中,步骤B深度分离卷积与步骤C组卷积通道互连交替连接,在减少参数量、降低计算量的同时丰富特征信息完成图像分类,最终实现机箱装配质量快速检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911248460.5A CN110991540B (zh) | 2019-12-09 | 2019-12-09 | 一种面向机箱装配质量快速检测的轻量化图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911248460.5A CN110991540B (zh) | 2019-12-09 | 2019-12-09 | 一种面向机箱装配质量快速检测的轻量化图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110991540A true CN110991540A (zh) | 2020-04-10 |
CN110991540B CN110991540B (zh) | 2023-04-28 |
Family
ID=70091147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911248460.5A Active CN110991540B (zh) | 2019-12-09 | 2019-12-09 | 一种面向机箱装配质量快速检测的轻量化图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991540B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111650208A (zh) * | 2020-06-01 | 2020-09-11 | 东华大学 | 一种巡游式机织面料疵点在线检测器 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180137406A1 (en) * | 2016-11-15 | 2018-05-17 | Google Inc. | Efficient Convolutional Neural Networks and Techniques to Reduce Associated Computational Costs |
CN110544249A (zh) * | 2019-09-06 | 2019-12-06 | 华南理工大学 | 一种面向任意角度机箱装配视觉检测的卷积神经网络质量鉴别方法 |
-
2019
- 2019-12-09 CN CN201911248460.5A patent/CN110991540B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180137406A1 (en) * | 2016-11-15 | 2018-05-17 | Google Inc. | Efficient Convolutional Neural Networks and Techniques to Reduce Associated Computational Costs |
CN110544249A (zh) * | 2019-09-06 | 2019-12-06 | 华南理工大学 | 一种面向任意角度机箱装配视觉检测的卷积神经网络质量鉴别方法 |
Non-Patent Citations (2)
Title |
---|
何彬媛 等: "面向机箱标准件装配质量局部特征的智能检测技术" * |
刘桂雄 等: "面向视觉检测的深度学习图像分类网络及 在零部件质量检测中应用" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111650208A (zh) * | 2020-06-01 | 2020-09-11 | 东华大学 | 一种巡游式机织面料疵点在线检测器 |
CN111650208B (zh) * | 2020-06-01 | 2021-08-27 | 东华大学 | 一种巡游式机织面料疵点在线检测器 |
Also Published As
Publication number | Publication date |
---|---|
CN110991540B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563507B (zh) | 一种基于卷积神经网络的室内场景语义分割方法 | |
CN103065153B (zh) | 一种基于色彩量化和聚类的视频关键帧提取方法 | |
CN113239954B (zh) | 基于注意力机制的图像语义分割特征融合方法 | |
CN111738303B (zh) | 一种基于层次学习的长尾分布图像识别方法 | |
CN113345082B (zh) | 一种特征金字塔多视图三维重建方法和系统 | |
CN111652273B (zh) | 一种基于深度学习的rgb-d图像分类方法 | |
CN111028238B (zh) | 一种基于机器人视觉的复杂异形曲面三维分割方法及系统 | |
CN115631513B (zh) | 基于Transformer的多尺度行人重识别方法 | |
CN112085017A (zh) | 基于显著性检测和Grabcut算法的茶叶嫩芽图像分割方法 | |
CN110991540B (zh) | 一种面向机箱装配质量快速检测的轻量化图像分类方法 | |
CN110544249A (zh) | 一种面向任意角度机箱装配视觉检测的卷积神经网络质量鉴别方法 | |
CN114330516A (zh) | 基于多图引导神经网络模型的小样本徽景图像分类 | |
CN112508181A (zh) | 一种基于多通道机制的图池化方法 | |
CN109508639B (zh) | 基于多尺度带孔卷积神经网络的道路场景语义分割方法 | |
CN113807497B (zh) | 一种增强纹理细节的非配对图像翻译方法 | |
CN112967271B (zh) | 一种基于改进DeepLabv3+网络模型的铸件表面缺陷识别方法 | |
CN117372552A (zh) | 一种面向复杂表面的工业产品的三维点云数据压缩方法 | |
CN116844004A (zh) | 一种面向数字孪生场景的点云自动语义化建模方法 | |
CN116012687A (zh) | 一种用于轮对踏面缺陷识别的图像交互融合方法 | |
CN116310324A (zh) | 一种基于语义分割的金字塔跨层融合解码器 | |
CN110889461B (zh) | 一种面向机箱装配质量检测的图像多特征提取与分类方法 | |
CN113223006B (zh) | 一种基于深度学习的轻量级目标语义分割方法 | |
CN112990336B (zh) | 基于竞争注意力融合的深度三维点云分类网络构建方法 | |
CN111126407B (zh) | 一种基于单独编码网络的机械零件语义分割方法 | |
CN108537855A (zh) | 一种草图一致的陶瓷花纸图案生成方法及装置 |
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 |