CN111340769A - 一种卷积神经网络系统及表面裂纹检测方法 - Google Patents
一种卷积神经网络系统及表面裂纹检测方法 Download PDFInfo
- Publication number
- CN111340769A CN111340769A CN202010109587.5A CN202010109587A CN111340769A CN 111340769 A CN111340769 A CN 111340769A CN 202010109587 A CN202010109587 A CN 202010109587A CN 111340769 A CN111340769 A CN 111340769A
- Authority
- CN
- China
- Prior art keywords
- layer
- image
- layers
- convolutional
- neural network
- 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
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000011176 pooling Methods 0.000 claims abstract description 35
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 15
- 230000004913 activation Effects 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 abstract description 17
- 230000007547 defect Effects 0.000 abstract description 10
- 230000006870 function Effects 0.000 description 11
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011897 real-time detection Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种卷积神经网络系统及表面裂纹检测方法,该卷积神经网络系统包括依次连接的输入层、提取层、全连接层和分类器,提取层包括多个依次连接的主体层,每个主体层均包括卷积层和池化层,卷积层和池化层之间连接有感知机,卷积层用于利用线性滤波器进行线性卷积来提取图像特征,感知机用于利用非线性激活函数对图像特征进行处理。本发明还公开了一种基于上述系统的表面裂纹检测方法。本发明能够有效减少因网络深度增加而易出现特征提取过拟合和训练时间过长的问题,也能够有效避免特征训练时易出现缺陷特征丢失的问题,大大提高了检测效率。
Description
技术领域
本发明涉及表面检测技术领域,具体涉及一种卷积神经网络系统及表面裂纹检测方法。
背景技术
产品表面裂纹,不仅影响到产品的外观,还会降低产品本身的性能,从而影响产品的使用寿命,尤其是对于铁制产品,其表面裂纹对于产品本身性能影响重大,因此,为保证产品质量,对于产品表面进行裂纹缺陷检测是十分必要的。
现有技术中可利用卷积神经网络(Convolutional Neural Network,CNN)的深度学习方式来对产品表面裂纹进行检测,深度学习能够对产品表面二维图像进行特征学习,从而很好的提取缺陷特征。卷积神经网络一般包括卷积层和池化层,主要利用线性卷积方式来进行特征提取,但是利用上述网络进行特征训练的时候,存在缺陷特征丢失的问题;且在增加网络深度时会出现过拟合和训练测试时间长的问题。
发明内容
本发明要解决的技术问题是提供一种卷积神经网络系统及表面裂纹检测方法,能够有效减少因网络深度增加而易出现特征提取过拟合和训练时间过长的问题,也能够有效避免特征训练时易出现缺陷特征丢失的问题,利于提高检测效率。
为了解决上述技术问题,本发明提供的技术方案如下:
一种卷积神经网络系统,包括依次连接的输入层、提取层、全连接层和分类器,所述提取层包括多个依次连接的主体层,每个所述主体层均包括卷积层和池化层,所述卷积层和池化层之间连接有感知机,所述卷积层用于利用线性滤波器进行线性卷积来提取图像特征,所述感知机用于利用非线性激活函数对图像特征进行处理。
在其中一个实施方式中,每个所述主体层中的所述卷积层和所述池化层之间均设置有多层所述感知机。
在其中一个实施方式中,所述感知机利用非线性的激活函数对图像特征进行处理的计算公式为:
在其中一个实施方式中,所述分类器采用Softmax函数对全连接层输出的图像数据进行分类。
在其中一个实施方式中,所述主体层的层数至少为4层。
在其中一个实施方式中,包括至少两个所述全连接层。
在其中一个实施方式中,所述池化层采用平均池化或最大池化。
上述任一项所述的卷积神经网络系统进行表面裂纹检测的方法,包括以下步骤:
1)通过输入层输入产品表面检测区域的原始图像;
2)通过提取层中的多个主体层对所述原始图像进行特征提取后最终得到特征图像,后一个主体层以前一个主体层的输出图像作为输入图像;
每个所述主体层中的卷积层利用线性滤波器对输入图像进行线性卷积来提取图像特征,感知机利用非线性的激活函数对卷积层提取的图像特征进行处理后输出图像至池化层进行池化处理;
3)通过全连接层对提取层最终输出的所述特征图像进行处理后输出至分类器;
4)所述分类器根据全连接层的输出图像,确定所述检测区域内是否有裂纹。
上述检测方法中,每个所述主体层中的所述卷积层和所述池化层之间均设置有多层所述感知机。
本发明具有以下有益效果:本发明卷积神经网络系统及表面裂纹检测方法,通过在每个主体层的卷积层和池化层之间设置感知机,有效减少了因网络深度增加而易出现特征提取过拟合的问题,也避免了因网络深度增加而导致的卷积神经网络训练时间过长的问题以及特征训练时易出现缺陷特征丢失的问题,大大提高了局部特征的提取能力,利于对复杂表面缺陷进行实时检测,提高了检测效率。
附图说明
图1是本发明的卷积神经网络系统结构框图;
图2是本发明的卷积神经网络系统的训练曲线图;
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
如图1所示,本实施例公开了一种卷积神经网络系统,包括依次连接的输入层、提取层、全连接层和分类器,提取层包括多个依次连接的主体层,每个主体层均包括卷积层和池化层,卷积层和池化层之间连接有感知机,卷积层用于利用线性滤波器进行线性卷积来提取图像特征,感知机用于利用非线性激活函数对图像特征进行处理。
其中,提取层用于对输入层输入的原始图像进行特征提取后得到特征图像;池化层用于对经卷积层和感知机处理后的数据进行特征的选取和信息量的筛选,通过池化来降低主体层输出的特征向量,从而改善输出质量;输入层用于输入检测区域的原始图像。
在其中一个实施方式中,每个主体层中的卷积层和池化层之间均设置有多层感知机,每一层感知机均以前一层感知机的输出数据作为输入数据。通过多层感知机可以进一步地把网络的局部深度加深,更利于增强表现特征。
在其中一个实施方式中,感知机利用非线性激活函数对图像特征进行处理的计算公式为:
在其中一个实施方式中,分类器采用Softmax函数对全连接层输出的图像数据进行分类。
在其中一个实施方式中,主体层的层数至少为4层,以增强图像特征显示效果。
在其中一个实施方式中,包括至少两个全连接层。
在其中一个实施方式中,池化层采用平均池化或最大池化。
其中,平均池化是计算图像区域的平均值作为该区域池化后的值;最大池化是选图像区域的最大值作为该区域池化后的值。
本实施例还公开了一种卷积神经网络系统进行表面裂纹检测的方法,包括以下步骤:
1)通过输入层输入产品表面检测区域的原始图像;
2)通过提取层中的多个主体层对原始图像进行特征提取后最终得到特征图像,后一个主体层以前一个主体层的输出图像作为输入图像;
每个主体层中的卷积层利用线性滤波器对输入图像进行线性卷积来提取图像特征,感知机利用非线性的激活函数对卷积层提取的图像特征进行处理,并在处理后输出图像至池化层进行池化处理;
3)通过全连接层对提取层最终输出的特征图像进行处理后输出至分类器;
4)分类器根据全连接层的输出图像,确定检测区域内是否有裂纹;例如,分类器将全连接层输出的图像分成缺陷区域和非缺陷区域,缺陷区域即为存在裂纹的区域,从而确定检测区域内是否有裂纹。
上述步骤2)中,每个主体层中的卷积层和池化层之间均设置有多层感知机时,每一层感知机均以前一层感知机的输出数据作为输入数据,也即除了第一层感知机是利用非线性的激活函数直接对卷积层输出的数据进行处理之外,主体层中的其余感知机则均是利用非线性的激活函数对前一层感知机输出的数据进行处理后输出至后一层感知层。
上述实施例的卷积神经网络系统优化了现有的卷积神经网络系统,本实施例的卷积神经网络系统进行训练时的曲线如图2所示,图中X轴表示迭代次数,Y轴表示训练误差。由图2可知,随着迭代次数的增加,训练误差随之下降。在训练结束后我们取最小训练误差值的网络模型对产品表面进行测试,本实施例的CNN系统与现有技术中CNN系统在裂纹检测上的检测数据对比情况如表1所示:
表1本实施例的CNN系统与现有技术中CNN系统在裂纹检测上的检测数据对比表
由表1中的对比测试效果可以看出,本实施例的卷积神经网络(CNN)系统和现有的积神经网络(CNN系统在训练集上都可以达到100%的识别率,但是在实际测试集上,本实施例的卷积神经网络系统相对现有的卷积神经网络系统来说,能够达到更高的精确率,检测效果更好。
本实施例通过在每个主体层的卷积层和池化层之间设置感知机,使得每个主体层在卷积层之后还能够利用非线性激活函数对图像特征进行处理,有效减少了因网络深度(网络层数)增加而易出现特征提取过拟合的问题,也避免了因网络深度增加而导致的卷积神经网络训练时间过长的问题;另外也避免了特征训练时易出现缺陷特征丢失的问题,大大提高了局部特征的提取能力;利于对复杂表面缺陷进行实时检测,例如可对铁材质表面裂纹缺陷进行实时检测,可以有效地控制产品质量,大大提高了产品生产效率、减轻了工人的劳动强度。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (9)
1.一种卷积神经网络系统,其特征在于,包括依次连接的输入层、提取层、全连接层和分类器,所述提取层包括多个依次连接的主体层,每个所述主体层均包括卷积层和池化层,所述卷积层和池化层之间连接有感知机,所述卷积层用于利用线性滤波器进行线性卷积来提取图像特征,所述感知机用于利用非线性激活函数对图像特征进行处理。
2.如权利要求1所述的卷积神经网络系统,其特征在于,每个所述主体层中的所述卷积层和所述池化层之间均设置有多层所述感知机。
4.如权利要求1所述的卷积神经网络系统,其特征在于,所述分类器采用Softmax函数对全连接层输出的图像数据进行分类。
5.如权利要求1所述的卷积神经网络系统,其特征在于,所述主体层的层数至少为4层。
6.如权利要求1所述的卷积神经网络系统,其特征在于,包括至少两个所述全连接层。
7.如权利要求1所述的卷积神经网络系统,其特征在于,所述池化层采用平均池化或最大池化。
8.根据权利要求1-7任一项所述的卷积神经网络系统进行表面裂纹检测的方法,其特征在于,包括以下步骤:
1)通过输入层输入产品表面检测区域的原始图像;
2)通过提取层中的多个主体层对所述原始图像进行特征提取后最终得到特征图像,后一个主体层以前一个主体层的输出图像作为输入图像;
每个所述主体层中的卷积层利用线性滤波器对输入图像进行线性卷积来提取图像特征,感知机利用非线性的激活函数对卷积层提取的图像特征进行处理后输出图像至池化层进行池化处理;
3)通过全连接层对提取层最终输出的所述特征图像进行处理后输出至分类器;
4)所述分类器根据全连接层的输出图像,确定所述检测区域内是否有裂纹。
9.根据权利要求8所述的卷积神经网络系统进行表面裂纹检测的方法,其特征在于,每个所述主体层中的所述卷积层和所述池化层之间均设置有多层所述感知机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010109587.5A CN111340769A (zh) | 2020-02-22 | 2020-02-22 | 一种卷积神经网络系统及表面裂纹检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010109587.5A CN111340769A (zh) | 2020-02-22 | 2020-02-22 | 一种卷积神经网络系统及表面裂纹检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111340769A true CN111340769A (zh) | 2020-06-26 |
Family
ID=71185427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010109587.5A Pending CN111340769A (zh) | 2020-02-22 | 2020-02-22 | 一种卷积神经网络系统及表面裂纹检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340769A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及系统 |
WO2018165753A1 (en) * | 2017-03-14 | 2018-09-20 | University Of Manitoba | Structure defect detection using machine learning algorithms |
CN109977948A (zh) * | 2019-03-20 | 2019-07-05 | 哈尔滨工业大学 | 一种基于卷积神经网络的搅拌摩擦焊缝缺陷识别方法 |
US20190294413A1 (en) * | 2018-03-23 | 2019-09-26 | Amazon Technologies, Inc. | Accelerated quantized multiply-and-add operations |
-
2020
- 2020-02-22 CN CN202010109587.5A patent/CN111340769A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106556781A (zh) * | 2016-11-10 | 2017-04-05 | 华乘电气科技(上海)股份有限公司 | 基于深度学习的局部放电缺陷图像诊断方法及系统 |
WO2018165753A1 (en) * | 2017-03-14 | 2018-09-20 | University Of Manitoba | Structure defect detection using machine learning algorithms |
US20190294413A1 (en) * | 2018-03-23 | 2019-09-26 | Amazon Technologies, Inc. | Accelerated quantized multiply-and-add operations |
CN109977948A (zh) * | 2019-03-20 | 2019-07-05 | 哈尔滨工业大学 | 一种基于卷积神经网络的搅拌摩擦焊缝缺陷识别方法 |
Non-Patent Citations (1)
Title |
---|
杨志锐等: "基于网中网卷积神经网络的红枣缺陷检测", 《食品与机械》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110660052B (zh) | 一种基于深度学习的热轧带钢表面缺陷检测方法 | |
CN109190442B (zh) | 一种基于深度级联卷积神经网络的快速人脸检测方法 | |
CN109035233B (zh) | 视觉注意力网络系统及工件表面缺陷检测方法 | |
CN110070008A (zh) | 一种采用无人机图像的桥梁病害识别方法 | |
CN114581782B (zh) | 一种基于由粗到精检测策略的细微缺陷检测方法 | |
CN107392919B (zh) | 基于自适应遗传算法的灰度阈值获取方法、图像分割方法 | |
CN113469951B (zh) | 一种基于级联区域卷积神经网络的轮毂缺陷检测方法 | |
CN113034483B (zh) | 基于深度迁移学习的烟支缺陷检测方法 | |
CN111738367B (zh) | 一种基于图像识别的零件分类方法 | |
CN110751195B (zh) | 一种基于改进YOLOv3的细粒度图像分类方法 | |
CN111798447B (zh) | 一种基于Faster RCNN的深度学习塑化材料缺陷检测方法 | |
CN112967271A (zh) | 一种基于改进DeepLabv3+网络模型的铸件表面缺陷识别方法 | |
Zeng et al. | Steel sheet defect detection based on deep learning method | |
CN115294033A (zh) | 一种基于语义分割网络的轮胎带束层差级和错边缺陷检测方法 | |
CN111104855B (zh) | 一种基于时序行为检测的工作流识别方法 | |
CN117522864B (zh) | 基于机器视觉的欧松板表面瑕疵检测方法 | |
CN116934687A (zh) | 一种基于半监督辅助学习语义分割的注塑制品表面缺陷检测方法 | |
CN110853019B (zh) | 一种用于安检检测识别管制刀具的方法 | |
CN111340769A (zh) | 一种卷积神经网络系统及表面裂纹检测方法 | |
CN110349119B (zh) | 基于边缘检测神经网络的路面病害检测方法和装置 | |
CN116934685A (zh) | 基于Focal模块和可变形卷积的钢材表面缺陷检测算法 | |
CN109993218A (zh) | 一种基于卷积神经网络的玉米病害的识别和分类模型 | |
CN115601357A (zh) | 一种基于小样本的冲压件表面缺陷检测方法 | |
CN115937143A (zh) | 一种织物缺陷检测方法 | |
CN113177563B (zh) | 融合cma-es算法及贯序极限学习机的贴片后异常检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200626 |
|
RJ01 | Rejection of invention patent application after publication |