CN111681215A - 卷积神经网络模型训练方法、加工件缺陷检测方法及装置 - Google Patents
卷积神经网络模型训练方法、加工件缺陷检测方法及装置 Download PDFInfo
- Publication number
- CN111681215A CN111681215A CN202010476473.4A CN202010476473A CN111681215A CN 111681215 A CN111681215 A CN 111681215A CN 202010476473 A CN202010476473 A CN 202010476473A CN 111681215 A CN111681215 A CN 111681215A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- convolutional neural
- network model
- image
- 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
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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- 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
Abstract
本发明实施例公开了一种卷积神经网络模型训练方法、加工件缺陷检测方法及装置,所述卷积神经网络模型训练方法包括:收集原始图像数据集;对原始图像数据集进行数据增强;对数据集图像进行归一化处理后输入神经网络;对输入神经网络的图像进行如下处理:第一层卷积,批归一化,ReLU激活,第一层池化,第二层卷积,批归一化,ReLU激活,第二层池化,第三层卷积,批归一化,ReLU激活,第三层池化,第一全连接层,第二全连接层,第三全连接层,最后通过softmax进行分类。采用本发明实施例提供的卷积神经网络模型进行加工件缺陷检测,加工件缺陷的识别率、检测效率更高,且减少了检测工人的数量,降低了加工件缺陷检测成本。
Description
技术领域
本发明涉及加工件缺陷检测技术领域,尤其涉及一种卷积神经网络模型训练方法、加工件缺陷检测方法及装置。
背景技术
当前自动化流水线上生产出的加工件,基本都是依靠工人在现场实时的检测,这种方法不仅工作强度大、效率较低,对工人的专业性有要求,人力成本高,并且工厂实际环境较差,长期处于这种环境,不利于工人的健康。以上问题亟待解决。
发明内容
有鉴于此,本发明的目的在于通过一种卷积神经网络模型训练方法、加工件缺陷检测方法及装置,来解决以上背景技术部分提到的问题。
为达此目的,本发明采用以下技术方案:
第一方面,本发明实施例提供了一种卷积神经网络模型训练方法,包括:
收集原始图像数据集;
对所述原始图像数据集进行数据增强;
对数据集图像进行归一化处理后输入神经网络;
训练卷积神经网络模型:对输入神经网络的图像依次进行如下处理:第一层卷积,批归一化(Batch Normalization,BN),ReLU激活,第一层池化,第二层卷积,批归一化,ReLU激活,第二层池化,第三层卷积,批归一化,ReLU激活,第三层池化,第一全连接层,第二全连接层,第三全连接层,最后通过softmax进行分类。
进一步的,所述对数据集图像进行归一化处理,包括:
采用如下公式对数据集图像进行归一化处理,公式如下:
其中,xi为图像的像素值,min(x)、max(x)分别是图像的最小和最大像素值。
进一步的,所述训练卷积神经网络模型时,神经网络各层的参数如下:第一卷积层Conv1,其过滤器大小为5*5,步长为1,第一池化层Max pooling1的过滤器大小为2*2,步长为2;第二卷积层Conv2的过滤器大小为5*5,步长为1,第二池化层Max pooling2的过滤器大小为2*2,步长为2;第三卷积层Conv3的过滤器大小为5*5,步长为1,第三池化层Maxpooling3的过滤器大小为2*2,步长为2;第一全连接层节点数:512;第二全连接层节点数:256;第三全连接层节点数:2。
进一步的,所述卷积神经网络模型训练方法还包括:对训练出的卷积神经网络模型进行量化,将其从32bit转化为8bit后部署在嵌入式开发板中。
第二方面,本发明实施例还提供了一种基于卷积神经网络的加工件缺陷检测方法,包括:
采集加工件的图像;
对所述加工件的图像进行预处理,并将预处理后的数据输出给卷积神经网络模型;
利用所述卷积神经网络模型对输入的图像进行加工件缺陷检测;
输出加工件缺陷检测结果;
其中,所述卷积神经网络模型的训练方法包括:
收集原始图像数据集;
对所述原始图像数据集进行数据增强;
对数据集图像进行归一化处理后输入神经网络;
训练卷积神经网络模型:对输入神经网络的图像依次进行如下处理:第一层卷积,批归一化(Batch Normalization,BN),ReLU激活,第一层池化,第二层卷积,批归一化,ReLU激活,第二层池化,第三层卷积,批归一化,ReLU激活,第三层池化,第一全连接层,第二全连接层,第三全连接层,最后通过softmax进行分类。
进一步的,所述对数据集图像进行归一化处理,包括:
采用如下公式对数据集图像进行归一化处理,公式如下:
其中,xi为图像的像素值,min(x)、max(x)分别是图像的最小和最大像素值。
进一步的,所述训练卷积神经网络模型时,神经网络各层的参数如下:第一卷积层Conv1,其过滤器大小为5*5,步长为1,第一池化层Max pooling1的过滤器大小为2*2,步长为2;第二卷积层Conv2的过滤器大小为5*5,步长为1,第二池化层Max pooling2的过滤器大小为2*2,步长为2;第三卷积层Conv3的过滤器大小为5*5,步长为1,第三池化层Maxpooling3的过滤器大小为2*2,步长为2;第一全连接层节点数:512;第二全连接层节点数:256;第三全连接层节点数:2。
进一步的,所述基于卷积神经网络的加工件缺陷检测方法还包括:对训练出的卷积神经网络模型进行量化,将其从32bit转化为8bit后部署在嵌入式开发板中。
第三方面,本发明实施例还提供了一种基于卷积神经网络的加工件缺陷检测装置,包括:
加工件图像采集单元,用于采集加工件的图像;
加工件图像预处理单元,用于对所述加工件的图像进行预处理,并将预处理后的数据输出给卷积神经网络模型;
加工件缺陷检测单元,用于利用所述卷积神经网络模型对输入的图像进行加工件缺陷检测;
加工件缺陷检测结果输出单元,用于输出加工件缺陷检测结果;
其中,所述卷积神经网络模型采用通过如下卷积神经网络模型训练方法训练出的卷积神经网络模型,该卷积神经网络模型训练方法包括:
收集原始图像数据集;
对所述原始图像数据集进行数据增强;
采用如下公式对数据集图像进行归一化处理,公式如下:
其中,xi为图像的像素值,min(x)、max(x)分别是图像的最小和最大像素值;
训练卷积神经网络模型:对输入神经网络的图像依次进行如下处理:第一层卷积,批归一化(Batch Normalization,BN),ReLU激活,第一层池化,第二层卷积,批归一化,ReLU激活,第二层池化,第三层卷积,批归一化,ReLU激活,第三层池化,第一全连接层,第二全连接层,第三全连接层,最后通过softmax进行分类。
进一步的,所述训练卷积神经网络模型时,神经网络各层的参数如下:第一卷积层Conv1,其过滤器大小为5*5,步长为1,第一池化层Max pooling1的过滤器大小为2*2,步长为2;第二卷积层Conv2的过滤器大小为5*5,步长为1,第二池化层Max pooling2的过滤器大小为2*2,步长为2;第三卷积层Conv3的过滤器大小为5*5,步长为1,第三池化层Maxpooling3的过滤器大小为2*2,步长为2;第一全连接层节点数:512;第二全连接层节点数:256;第三全连接层节点数:2。
与传统加工件缺陷检测方式相比,采用本发明实施例提供的卷积神经网络模型训练方法所训练出的卷积神经网络模型进行加工件缺陷检测,加工件缺陷的识别率、检测效率更高,且大幅减少了检测工人的数量,有效降低了加工件缺陷检测成本。本发明实施例将训练好的卷积神经网络模型部署在嵌入式开发板中,与传统将模型部署在PC机上或者云服务器上的方式相比,更方便安装,成本更低。
附图说明
图1为本发明实施例一提供的卷积神经网络模型训练方法流程示意图;
图2为本发明实施例一提供的卷积神经网络训练过程示意图;
图3为本发明实施例二提供的基于卷积神经网络的加工件缺陷检测方法流程示意图;
图4为本发明实施例三提供的基于卷积神经网络的加工件缺陷检测装置结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的卷积神经网络模型训练方法流程示意图。本实施例中卷积神经网络模型训练方法包括:
S101.收集原始图像数据集。
在本实施例中,收集原始图像数据集优选采用的方式是:在不同角度、光强度下拍摄若干张原始图像,然后对每一张图像进行标注得到图像集的label文件。
S102.对所述原始图像数据集进行数据增强。
如果仅靠拍摄图像的方式收集卷积神经网络模型训练用图像数据,不仅工作量大,费时费力,而且数据量相对较少,很难训练出合适的卷积神经网络模型。以原始图像拍摄300张为例,仅依靠300张图片不可能训练出所需的卷积神经网络模型,为例解决该问题,本实施例中在原始图像数据集收集完成后,将对所述原始图像数据集进行数据增强,原理如下:通过分析加工件产品缺陷的特性,发现图像的角度以及所处的图像位置对识别加工件没有影响,因此通过对原始图像进行90°、180°、270°旋转、平移图像以及翻转图像来扩展数据集。除了使用以上方法外,还可对图像的对比度、亮度进行随机的调整,从而使得单张图像生成100张图像,使得整个数据集达到30000张图像,并将其中24000张作为训练集图像,剩下的6000张作为验证集图像。
但是,利用数据增强技术生成了大量的图片例如30000张的jpeg格式图片,如果在实际训练时,采用直接读取存放在磁盘中图片这种方法时,将需要足够的GPU内存才能存储训练数据,采购更大内存的GPU意味着更高的成本。在本实施例中,为了解决以上存储问题,TensorFlow优选使用TFRecord格式来统一存储数据,该格式可以将图像数据、标签信息、图像路径以及宽高等不同类型的信息放在一起进行统一存储,从而方便有效的管理不同的属性。而且为了提高读取效率,在本实施例中,将训练集和验证集分为两个独立文件夹,然后分别生成训练集的TFRecord格式文件和验证集的TFRecord格式文件。
S103.对数据集图像进行归一化处理后输入神经网络。
为了改善网络的梯度,加快训练的速度,在本实施例中,在输入神经网络之前将采用如下公式对数据集图像进行归一化处理,公式如下:
其中,xi为图像的像素值,min(x)、max(x)分别是图像的最小和最大像素值。
S104.训练卷积神经网络模型。
在本实施例中,在训练卷积神经网络模型时加入了批归一化(BatchNormalization,BN)算法,这样可加快模型的训练速度,提升模型的性能。
图2为本发明实施例一提供的卷积神经网络训练过程示意图,本实施例中对输入神经网络的图像依次进行如下处理:第一层卷积,批归一化(Batch Normalization,BN),ReLU激活,第一层池化,第二层卷积,批归一化,ReLU激活,第二层池化,第三层卷积,批归一化,ReLU激活,第三层池化,第一全连接层,第二全连接层,第三全连接层,最后通过softmax进行分类。
优选的,在本实施例中,上述神经网络各层的参数如下:
神经网络第一卷积层Conv1,其过滤器大小为5*5,步长为1,第一池化层Maxpooling1的过滤器大小为2*2,步长为2。
第二卷积层Conv2的过滤器大小为5*5,步长为1,第二池化层Max pooling2的过滤器大小为2*2,步长为2。
第三卷积层Conv3的过滤器大小为5*5,步长为1,第三池化层Max pooling3的过滤器大小为2*2,步长为2。
第一全连接层节点数:512。
第二全连接层节点数:256。
第三全连接层节点数:2。
优选的,在本实施例中,上述批归一化(Batch Normalization,BN)的算法流程如下:
其中,μB:batch平均值;batch方差;m:为每个batch中样本的数目;归一化之后的输出;γ:缩放参数;β:移位参数;ε:平滑项,它作用是为了防止分母出现0;yi:经过batch normalization处理后的输出。
优选的,在本实施例中,上述ReLU激活采用的ReLU激活函数公式如下:
f(x)=max(0,x)。
在本实施例中,每一层卷积之后,都利用ReLU激活函数进行ReLU激活,这样使得神经网络的表达能力更强。在本实施例中,在全连接层中加入dropout正则化,并且设置系数为0.7。将Max pooling3的输出扁平化,与全连接相连得到512个节点,之后再与FC2相连接得到256个节点,最终经过FC3输出2个节点,通过softmax进行概率分类。神经网络的学习率设置为0.0001,单个batch设置为32。
在本实施例中,鉴于现有的神经网络模型均是部署在PC机上或者云服务器上存在安装不方便、成本高的不足,在本实施例中不再采用这种传统方式部署神经网络模型,而是选择将训练好的卷积神经网络模型部署在嵌入式开发板中。为了确保卷积神经网络模型能部署在嵌入式开发板中,在本实施例中,使用瑞芯微提供的RKNN-Toolkit开发套件进行了模型转换,并且在保证卷积神经网络模型精度不变的情况下,将对训练出的卷积神经网络模型进行量化,将其从32bit转化为8bit,有效减小了卷积神经网络模型的大小,提高了卷积神经网络模型的运行速度,最终实现了将量化好的模型部署到嵌入式开发板中。其中,在本实施例中上述量化的方法可以采用官方的sdk做量化,也可以采用TensorFlow等进行量化。在具体应用时,本实施例中嵌入式开发板的处理器优选瑞芯微的RK3399 Pro,该处理器具有强大的NPU(Neural Processing Unit)模块,其运算性能高达2.4TOPS,可以高效运行神经网络模型,并且功耗较低。
实施例二
图3为本发明实施例二提供的基于卷积神经网络的加工件缺陷检测方法流程示意图。本实施例中基于卷积神经网络的加工件缺陷检测方法包括:
S301.采集加工件的图像。
在本实施例中,采用摄像头实时采集流水线上加工件的图像。优选的,所述摄像头采用USB摄像头,该摄像头最大分辨率可为1920*1080。
S302.对所述加工件的图像进行预处理,并将预处理后的数据输出给卷积神经网络模型。
在本实施例中,利用OpenCV(Open source computer vision)图像处理模块对所述加工件的图像进行预处理,将所述加工件的图像裁剪为预设尺寸,通道顺序设置为RGB。优选的,在本实施例中,所述预设尺寸为100*100。
在本实施例中所述卷积神经网络模型采用实施例一训练出的卷积神经网络模型,关于卷积神经网络模型的详细内容在此不再进一步赘述。
S303.利用所述卷积神经网络模型对输入的图像进行加工件缺陷检测。
在本实施例中,实施例一训练出的卷积神经网络模型在收到加工件图像后,进行检测识别,判断加工件是否存在缺陷。
S304.输出加工件缺陷检测结果。
本实施例提供的加工件缺陷检测方法采用实施例一提供的卷积神经网络模型训练方法所训练出的卷积神经网络模型进行加工件缺陷检测,加工件缺陷的识别率、检测效率更高,且大幅减少了检测工人的数量,有效降低了加工件缺陷检测成本。本实施例中将训练好的卷积神经网络模型部署在嵌入式开发板中,与传统将模型部署在PC机上或者云服务器上的方式相比,方便安装,成本低。
实施例三
图4为本发明实施例三提供的基于卷积神经网络的加工件缺陷检测装置结构示意图。本实施例中基于卷积神经网络的加工件缺陷检测装置包括:
加工件图像采集单元401,用于采集加工件的图像。
在本实施例中,加工件图像采集单元401采用摄像头实时采集流水线上加工件的图像。优选的,所述摄像头采用USB摄像头,该摄像头最大分辨率可为1920*1080。
加工件图像预处理单元402,用于对所述加工件的图像进行预处理,并将预处理后的数据输出给卷积神经网络模型。
在本实施例中,加工件图像预处理单元402利用OpenCV(Open source computervision)图像处理模块对所述加工件的图像进行预处理,将所述加工件的图像裁剪为预设尺寸,通道顺序设置为RGB。优选的,在本实施例中,所述预设尺寸为100*100。
加工件缺陷检测单元403,用于利用所述卷积神经网络模型对输入的图像进行加工件缺陷检测。
在本实施例中,所述卷积神经网络模型为实施例一训练出的卷积神经网络模型,训练、部署卷积神经网络模型的具体内容同上述实施例一。
加工件缺陷检测结果输出单元404,用于输出加工件缺陷检测结果。
本实施例提供的基于卷积神经网络的加工件缺陷检测装置采用实施例一提供的卷积神经网络模型训练方法所训练出的卷积神经网络模型进行加工件缺陷检测,加工件缺陷的识别率、检测效率更高,且大幅减少了检测工人的数量,有效降低了加工件缺陷检测成本。本实施例中将训练好的卷积神经网络模型部署在嵌入式开发板中,与传统将模型部署在PC机上或者云服务器上的方式相比,方便安装,成本低。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种卷积神经网络模型训练方法,其特征在于,包括:
收集原始图像数据集;
对所述原始图像数据集进行数据增强;
对数据集图像进行归一化处理后输入神经网络;
训练卷积神经网络模型:对输入神经网络的图像依次进行如下处理:第一层卷积,批归一化,ReLU激活,第一层池化,第二层卷积,批归一化,ReLU激活,第二层池化,第三层卷积,批归一化,ReLU激活,第三层池化,第一全连接层,第二全连接层,第三全连接层,最后通过softmax进行分类。
3.根据权利要求1所述的卷积神经网络模型训练方法,其特征在于,所述训练卷积神经网络模型时,神经网络各层的参数如下:第一卷积层Conv1,其过滤器大小为5*5,步长为1,第一池化层Max pooling1的过滤器大小为2*2,步长为2;第二卷积层Conv2的过滤器大小为5*5,步长为1,第二池化层Max pooling2的过滤器大小为2*2,步长为2;第三卷积层Conv3的过滤器大小为5*5,步长为1,第三池化层Max pooling3的过滤器大小为2*2,步长为2;第一全连接层节点数:512;第二全连接层节点数:256;第三全连接层节点数:2。
4.根据权利要求1至3之一所述的卷积神经网络模型训练方法,其特征在于,还包括:对训练出的卷积神经网络模型进行量化,将其从32bit转化为8bit后部署在嵌入式开发板中。
5.一种基于卷积神经网络的加工件缺陷检测方法,其特征在于,包括:
采集加工件的图像;
对所述加工件的图像进行预处理,并将预处理后的数据输出给卷积神经网络模型;
利用所述卷积神经网络模型对输入的图像进行加工件缺陷检测;
输出加工件缺陷检测结果;
其中,所述卷积神经网络模型的训练方法包括:
收集原始图像数据集;
对所述原始图像数据集进行数据增强;
对数据集图像进行归一化处理后输入神经网络;
训练卷积神经网络模型:对输入神经网络的图像依次进行如下处理:第一层卷积,批归一化,ReLU激活,第一层池化,第二层卷积,批归一化,ReLU激活,第二层池化,第三层卷积,批归一化,ReLU激活,第三层池化,第一全连接层,第二全连接层,第三全连接层,最后通过softmax进行分类。
7.根据权利要求5所述的基于卷积神经网络的加工件缺陷检测方法,其特征在于,所述训练卷积神经网络模型时,神经网络各层的参数如下:第一卷积层Conv1,其过滤器大小为5*5,步长为1,第一池化层Max pooling1的过滤器大小为2*2,步长为2;第二卷积层Conv2的过滤器大小为5*5,步长为1,第二池化层Max pooling2的过滤器大小为2*2,步长为2;第三卷积层Conv3的过滤器大小为5*5,步长为1,第三池化层Max pooling3的过滤器大小为2*2,步长为2;第一全连接层节点数:512;第二全连接层节点数:256;第三全连接层节点数:2。
8.根据权利要求5至7之一所述的基于卷积神经网络的加工件缺陷检测方法,其特征在于,还包括:对训练出的卷积神经网络模型进行量化,将其从32bit转化为8bit后部署在嵌入式开发板中。
9.一种基于卷积神经网络的加工件缺陷检测装置,其特征在于,包括:
加工件图像采集单元,用于采集加工件的图像;
加工件图像预处理单元,用于对所述加工件的图像进行预处理,并将预处理后的数据输出给卷积神经网络模型;
加工件缺陷检测单元,用于利用所述卷积神经网络模型对输入的图像进行加工件缺陷检测;
加工件缺陷检测结果输出单元,用于输出加工件缺陷检测结果;
其中,所述卷积神经网络模型采用通过如下卷积神经网络模型训练方法训练出的卷积神经网络模型,该卷积神经网络模型训练方法包括:
收集原始图像数据集;
对所述原始图像数据集进行数据增强;
采用如下公式对数据集图像进行归一化处理,公式如下:
其中,xi为图像的像素值,min(x)、max(x)分别是图像的最小和最大像素值;
训练卷积神经网络模型:对输入神经网络的图像依次进行如下处理:第一层卷积,批归一化,ReLU激活,第一层池化,第二层卷积,批归一化,ReLU激活,第二层池化,第三层卷积,批归一化,ReLU激活,第三层池化,第一全连接层,第二全连接层,第三全连接层,最后通过softmax进行分类。
10.根据权利要求9所述的基于卷积神经网络的加工件缺陷检测装置,其特征在于,所述训练卷积神经网络模型时,神经网络各层的参数如下:第一卷积层Conv1,其过滤器大小为5*5,步长为1,第一池化层Max pooling1的过滤器大小为2*2,步长为2;第二卷积层Conv2的过滤器大小为5*5,步长为1,第二池化层Max pooling2的过滤器大小为2*2,步长为2;第三卷积层Conv3的过滤器大小为5*5,步长为1,第三池化层Max pooling3的过滤器大小为2*2,步长为2;第一全连接层节点数:512;第二全连接层节点数:256;第三全连接层节点数:2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010476473.4A CN111681215A (zh) | 2020-05-29 | 2020-05-29 | 卷积神经网络模型训练方法、加工件缺陷检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010476473.4A CN111681215A (zh) | 2020-05-29 | 2020-05-29 | 卷积神经网络模型训练方法、加工件缺陷检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111681215A true CN111681215A (zh) | 2020-09-18 |
Family
ID=72434429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010476473.4A Pending CN111681215A (zh) | 2020-05-29 | 2020-05-29 | 卷积神经网络模型训练方法、加工件缺陷检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111681215A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113081025A (zh) * | 2021-03-10 | 2021-07-09 | 华中科技大学 | 一种基于肺音的新冠肺炎智能诊断系统和装置 |
CN113269720A (zh) * | 2021-04-16 | 2021-08-17 | 张家港华程机车精密制管有限公司 | 一种直缝焊管的缺陷检测方法、系统和可读介质 |
CN114549392A (zh) * | 2021-03-31 | 2022-05-27 | 正泰集团研发中心(上海)有限公司 | 太阳能电池片的色差检测方法、装置、设备和计算机介质 |
WO2023236372A1 (zh) * | 2022-06-09 | 2023-12-14 | 苏州大学 | 基于图片识别的表面缺陷检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108334843A (zh) * | 2018-02-02 | 2018-07-27 | 成都国铁电气设备有限公司 | 一种基于改进AlexNet的燃弧识别方法 |
CN109453508A (zh) * | 2018-10-29 | 2019-03-12 | 奇想空间(北京)教育科技有限公司 | 基于七巧板的游乐设备 |
CN109685774A (zh) * | 2018-12-10 | 2019-04-26 | 桂林理工大学 | 基于深度卷积神经网络的压敏电阻外观缺陷检测方法 |
CN110689011A (zh) * | 2019-09-29 | 2020-01-14 | 河北工业大学 | 多尺度联合卷积神经网络的太阳能电池板缺陷检测方法 |
-
2020
- 2020-05-29 CN CN202010476473.4A patent/CN111681215A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108334843A (zh) * | 2018-02-02 | 2018-07-27 | 成都国铁电气设备有限公司 | 一种基于改进AlexNet的燃弧识别方法 |
CN109453508A (zh) * | 2018-10-29 | 2019-03-12 | 奇想空间(北京)教育科技有限公司 | 基于七巧板的游乐设备 |
CN109685774A (zh) * | 2018-12-10 | 2019-04-26 | 桂林理工大学 | 基于深度卷积神经网络的压敏电阻外观缺陷检测方法 |
CN110689011A (zh) * | 2019-09-29 | 2020-01-14 | 河北工业大学 | 多尺度联合卷积神经网络的太阳能电池板缺陷检测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113081025A (zh) * | 2021-03-10 | 2021-07-09 | 华中科技大学 | 一种基于肺音的新冠肺炎智能诊断系统和装置 |
CN114549392A (zh) * | 2021-03-31 | 2022-05-27 | 正泰集团研发中心(上海)有限公司 | 太阳能电池片的色差检测方法、装置、设备和计算机介质 |
CN113269720A (zh) * | 2021-04-16 | 2021-08-17 | 张家港华程机车精密制管有限公司 | 一种直缝焊管的缺陷检测方法、系统和可读介质 |
CN113269720B (zh) * | 2021-04-16 | 2024-02-02 | 张家港华程机车精密制管有限公司 | 一种直缝焊管的缺陷检测方法、系统和可读介质 |
WO2023236372A1 (zh) * | 2022-06-09 | 2023-12-14 | 苏州大学 | 基于图片识别的表面缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111681215A (zh) | 卷积神经网络模型训练方法、加工件缺陷检测方法及装置 | |
Chen et al. | SMD LED chips defect detection using a YOLOv3-dense model | |
CN109165623B (zh) | 基于深度学习的水稻病斑检测方法及系统 | |
CN101271515B (zh) | 能识别多角度目标的图像检测装置 | |
CN107977639B (zh) | 一种人脸清晰度判断方法 | |
Ismael et al. | Face recognition using Viola-Jones depending on Python | |
JP2020524348A (ja) | 顔画像検索方法およびシステム、撮影装置、ならびにコンピュータ記憶媒体 | |
CN109685765B (zh) | 一种基于卷积神经网络的x光片肺炎结果预测装置 | |
CN109766805B (zh) | 一种基于深度学习的双层车牌字符识别方法 | |
CN111667455A (zh) | 一种刷具多种缺陷的ai检测方法 | |
CN112183482A (zh) | 危险驾驶行为识别方法、装置、系统及可读存储介质 | |
CN111274987B (zh) | 人脸表情识别方法及人脸表情识别装置 | |
CN113869300A (zh) | 基于多视觉融合的工件表面缺陷和字符识别的方法及系统 | |
WO2019144416A1 (zh) | 信息处理方法、系统、云处理设备以及计算机程序产品 | |
CN112651358A (zh) | 一种目标检测方法、装置、网络摄像机及存储介质 | |
CN114119489A (zh) | 一种电连接器多余物及缩针倒针缺陷自动化检测方法 | |
Raja et al. | An effective contour detection based image retrieval using multi-fusion method and neural network | |
CN114972246A (zh) | 一种基于深度学习的模切产品表面缺陷检测方法 | |
WO2020103462A1 (zh) | 视觉搜索方法、装置、计算机设备及存储介质 | |
CN113408630A (zh) | 一种变电站指示灯状态识别方法 | |
AU2020102569A4 (en) | A system and method for classifying reptilian images using convolutional neural network | |
CN111199050B (zh) | 一种用于对病历进行自动脱敏的系统及应用 | |
CN111160374A (zh) | 一种基于机器学习的颜色识别方法及系统、装置 | |
CN108596068B (zh) | 一种动作识别的方法和装置 | |
CN113780116A (zh) | 发票分类方法、装置、计算机设备和存储介质 |
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 |