CN111754497A - 一种基于几何代数的工业缺陷检测方法和系统 - Google Patents

一种基于几何代数的工业缺陷检测方法和系统 Download PDF

Info

Publication number
CN111754497A
CN111754497A CN202010609820.6A CN202010609820A CN111754497A CN 111754497 A CN111754497 A CN 111754497A CN 202010609820 A CN202010609820 A CN 202010609820A CN 111754497 A CN111754497 A CN 111754497A
Authority
CN
China
Prior art keywords
defect
information
geometric
algebraic
geometric algebraic
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
Application number
CN202010609820.6A
Other languages
English (en)
Other versions
CN111754497B (zh
Inventor
曹文明
钟建奇
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 University
Original Assignee
Shenzhen University
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 University filed Critical Shenzhen University
Priority to CN202010609820.6A priority Critical patent/CN111754497B/zh
Publication of CN111754497A publication Critical patent/CN111754497A/zh
Application granted granted Critical
Publication of CN111754497B publication Critical patent/CN111754497B/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
    • 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
    • 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
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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]
    • 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)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明适用于工业检测技术领域，提供了基于几何代数的工业缺陷检测方法和系统。该系统引入GA‑U‑net对图像中工业产品表面缺陷严重程度打分，然后由缺陷过滤器得到得分高于预设阈值的图像像素，然后再由连通域分析模块得到含有完整缺陷的图像，然后再由基于几何代数模糊池化的堆叠式深度神经网络对含有完整缺陷的3D图像进行缺陷类别评估，完成对工业缺陷的检测与分类。由于几何代数具有丰富统一的计算方式，能够将复杂的线性运算和矩阵运算简化，减少配准数据参数、降低几何变换复杂度、简化计算量并加快计算速度，本发明考虑图像的3D高维信息，未丢失图像的维度信息，使得工业缺陷检测率更高。

Description

一种基于几何代数的工业缺陷检测方法和系统
技术领域
本发明属于工业检测技术领域，尤其涉及一种基于几何代数工业缺陷检测方法和系统。
背景技术
工业产品表面缺陷检测是评价产品质量的重要环节，是保证产品质量和生产效率的重要手段。现有技术中的工业产品表面缺陷检测大多是针对二维图像进行检测，如阈值分割法，边缘检测法和区域生长法等是从2D图片中的缺陷特征部分与其他非缺陷部分分开，从而达到检测目的。但是对二维图像的检测没有考虑到使用高维度信息时的情况，在维度信息较高情况下，3D/3D工业缺陷检测更能满足实际的工业应用，提高检测率。目前，3D/3D工业缺陷检测存在数据参数多、计算量大的问题。
发明内容
本发明实施例提供一种基于几何代数的工业缺陷检测方法及系统，能够对不同程度的缺陷进行预测，识别检测缺陷的类型，提高检测系统整体的准确率。
根据第一方面，本发明实施例提供了一种基于几何代数的工业缺陷检测方法，包括如下步骤：
通过预设的基于GA-U-net网络结构的回归神经网络获取图片的第一缺陷几何代数信息，并对第一缺陷几何代数信息进行评分，得到缺陷几何代数信息分数；
利用缺陷过滤器对所述缺陷几何代数信息分数进行过滤，筛选掉低于预设阈值的缺陷几何代数信息分数对应的第一缺陷几何代数信息，得到第二缺陷几何代数信息；
通过连通域分析法对第二缺陷几何代数信息进行连接，得到缺陷区块几何代数信息；
通过基于几何代数模糊池化的堆叠式深度神经网络对缺陷区块几何代数信息进行分类，得到缺陷类别信息；
根据缺陷类别信息进行缺陷检测与分类。
结合第一方面，在第一方面第二实施方式中，预设的基于GA-U-net网络结构的回归神经网络包括三个图像特征提取器，通过输入图像，获取第一缺陷几何代数信息，并对第一缺陷几何代数信息进行评分，得到缺陷几何代数信息分数，包括：
利用包含卷积层和最大池化层的第一图像特征提取器获取图像低级几何代数特征信息；
利用包含GA-U-net网络结构的第二图像特征提取器对图像低级几何代数特征信息进行上采样，得到包含低层几何代数特征信息的第一缺陷几何代数信息；
利用包含多个卷积层的第三图像特征提取器对第一缺陷几何代数信息进行多次卷积，得到缺陷几何代数信息分数。
结合第一方面，在第一方面第三实施方式中，缺陷过滤器通过判定公式对所述第一缺陷几何代数信息分数进行过滤，定公式为：
Figure BSA0000212352850000021
Figure BSA0000212352850000022
其中，T为预设阈值，I为所述缺陷几何代数信息分数。
结合第一方面，在第一方面第四实施方式中，通过连通域分析法对第二缺陷几何代数信息进行连接，得到所述缺陷区块几何代数信息，包括：
获取所述第二缺陷几何代数信息中像素的坐标点P(x，y)的4-领域坐标点，分别为第一坐标点P1：(x-1)e1+ye2，第二坐标点P2：(x+1)e1+ye2，第三坐标点P3：xe1+(y-1)e2，第四坐标点P4：xe1+(y+1)e2；
将所有所述4-领域坐标点中任意两个坐标点重合的两个任意像素进行连接，得到所述缺陷区块几何代数信息。
结合第一方面，在第一方面第五实施方式中，基于几何代数模糊池化的堆叠式深度神经网络对缺陷区块几何代数信息进行分类，包括：
利用带有卷积层、RELU、最大池化层的前向神经网络提取所述图像低级几何代数特征信息；
利用重复的带有低通滤波器的GA-U-net网络结构对所述图像低级几何代数特征信息进行模糊池化，提取符合信号采样定理的缺陷分类特征信息；
利用softmax层对缺陷分类特征信息进行处理，得到最终预测分类概率；
根据最终预测分类概率得到缺陷类别信息。
结合第一方面，在第一方面第六实施方式中，输入图像表征表示为：
I(x)＝f1(x)e1+f2(x)e2+f3(x)e3
其中，e1，e2，e3为正交基，
Figure BSA0000212352850000031
结合第一方面第五实施方式，在第一方面第七实施方式中，模糊池化步骤包括：
通过第一卷积核或通过第二卷积核对图像特征进行卷积运算，获取尺寸特征信息，其中，第一卷积核为3*3卷积核，第二卷积核为5*5卷积核；
通过正则化对述尺度特征信息进行归一处理。
结合第一方面，在第一方面第七实施方式中，正则化处理的表达式为：
Figure BSA0000212352850000032
其中，I(x)表示输入图像表征，μB为所述输入图像的均值，
Figure BSA0000212352850000033
为所述输入图像方差，∈为一个极小的实数整数，γ∈R：用于尺度调整，β∈R：用于偏移调整。
根据第二方面，本发明实施例提供了一种基于几何代数的工业缺陷检测系统，包括：
评分单元，用于通过预设的基于GA-U-net网络结构的回归神经网络获取图片的第一缺陷几何代数信息，并对第一缺陷几何代数信息进行评分，得到缺陷几何代数信息分数；
过滤单元，用于利用缺陷过滤器对缺陷几何代数信息分数进行过滤，筛选掉低于预设阈值的缺陷几何代数信息分数对应的第一缺陷信息，得到第二缺陷几何代数信息；
连接单元，用于通过连通域分析法对第二缺陷几何代数信息进行连接，得到缺陷区块几何代数信息；
分类单元，用于通过基于几何代数模糊池化的堆叠式深度神经网络对缺陷区块几何代数信息进行分类，得到缺陷类别信息；
检测单元，用于根据缺陷类别信息进行缺陷检测与分类。
根据第三方面，本发明实施例提供一种计算机设备，包括：处理器，以及存储有计算机程序指令的存储器，处理器读取并执行计算机程序指令，从而执行第一方面或第一方面任一实施方式中所述的基于几何代数的工业缺陷检测方法的步骤。
根据第四方面，本发明实施例提供一种计算机存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现第一方面或第一方面任一实施方式中所述的基于几何代数的工业缺陷检测方法的步骤。
本发明实施例的基于几何代数的工业缺陷检测方法及系统，其中，方法包括：通过预设的基于GA-U-net网络结构的回归神经网络获取图片的第一缺陷信息，并对第一缺陷信息进行评分，得到缺陷信息分数，利用缺陷过滤器对缺陷信息分数进行过滤，筛选掉低于预设阈值的缺陷信息分数对应的第一缺陷信息，得到第二缺陷信息，通过连通域分析法对第二缺陷信息进行连接，得到缺陷区块信息，通过基于模糊池化的堆叠式深度神经网络对缺陷区块信息进行分类，得到缺陷类别信息，根据缺陷类别信息进行缺陷检测与分类，结合GA-U-net网络结构特点对回归神经网络进行改进提高了对缺陷的分割性能，并对缺陷进行定量的评估，且能够识别检测缺陷的类型，提高检测系统整体的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单的介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于几何代数的工业缺陷检测方法的流程示意图；
图2是本发明实施例提供的基于GA-U-net的回归神经网络结构示意图；
图3是本发明实例提供的一种基于几何代数的工业缺陷检测方法一个具体示例的GA-U-net网络结构示意图
图4是本发明实例提供的连通域分析原理结构示意图
图5是本发明实施例提供的基于几何代模糊池化的堆叠式神经网络结构示意图；
图6是本发明实施例提供的一种基于几何代数的工业缺陷检测系统结构示意图；
图7是本发明实施例提供的计算机设备的硬件结构示意图；
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了解决现有技术问题，本发明实施例提供了一种基于几何代数的工业缺陷检测方法及系统。下面首先对本发明实施例所提供的基于几何代数的工业缺陷检测方法进行介绍。
图1示出了本发明一个实施例提供的基于几何代数的工业缺陷检测方法方法的流程示意图。如图1所示，该方法可以包括以下步骤：
S110、通过预设的基于GA-U-net网络结构的回归神经网络获取图片的第一缺陷几何代数信息，并对第一缺陷几何代数信息进行评分，得到缺陷几何代数信息分数。
S120、利用缺陷过滤器对缺陷几何代数信息分数进行过滤，筛选掉低于预设阈值的缺陷几何代数信息分数对应的第一缺陷几何代数信息，得到第二缺陷几何代数信息。
S130、通过连通域分析法对第二缺陷几何代数信息进行连接，得到缺陷区块几何代数信息。
S140、通过基于几何代数模糊池化的堆叠式深度神经网络对缺陷区块几何代数信息进行分类，得到缺陷类别信息。
S150、根据缺陷类别信息进行缺陷检测与分类。
下面结合图1至图4对本发明实施例进行进一步地阐述：
一、缺陷评定过程
如图2所示，预设的基于GA-U-net网络结构的回归神经网络包括三个图像特征提取器，将图片输入回归神经网络，利用包含卷积层和最大池化层的第一图像特征提取器获取图像低级几何代数特征信息，通过包含GA-U-net网络结构的第二图像特征提取器对图像低级几何代数特征信息进行上采样，得到包含低层特几何代数征信息的第一缺陷几何代数信息，该第一缺陷几何代数信息包括检测到产品表面的所有缺陷信息，利用包含多个卷积层的第三图像特征提取器对产品表面的所有缺陷几何代数信息进行多次卷积，得到缺陷几何代数信息分数，该缺陷几何代数信息分数用于评定产品表面缺陷的严重程度。
如图3所示为第二图像特征提取器结构示意图，输入经过三个卷积层GA-卷积层1，GA-卷积层2和GA-卷积层3进行特征提取，输出的特征图的大小经过卷积操作时会发生变化。为保证输入的特征图经过卷积操作后，输出的大小尺寸不变，特征图需要进行0填充操作。GA-卷积层4为1×1GA卷积核，用于对输入特征图进行维度的改变(升维或降维)，以匹配经过GA-卷积层1，GA-卷积层2和GA-卷积层3后特征图的维度，实现特征图的叠加。叠加后的结果T通过一个shortcut操作与经过GA-卷积层5，GA-卷积层6卷积操作后的结果进行相加得到输出，有助于获取图像低级特征，使得整个系统注重对有用信息的获取。
二、基于GA-U-net网络结构的回归神经网络的学习
损失函数可衡量网络模型的预测值和真实值之间的误差，从而指导网络模型参数学习。预设的基于GA-U-net网络的回归神经网络依据损失函数不断学习得到，损失函数的表达式为：
Figure BSA0000212352850000071
其中，proj(I(x)，ei)表示所述输入图像I(x)在ei方向上的投影，s表示为学习误差率，Yi表示为真实几何代数分数，f(xi)表示为预测几何代数分数。具体的，上述步骤使用标签信息，学习训练是有标签的学习，又叫有监督学习。
三、缺陷信息的筛选
第一缺陷几何代数信息包括两种可能的缺陷信息，分别是真实的缺陷几何代数信息和识别错误的缺陷几何代数信息，其中，识别错误的缺陷几何代数信息又包括假阴性几何代数点和假阳性几何代数点，这些几何代数信息都会对缺陷几何代数信息的识别造成一定的干扰，影响分割精度。
经过观察发现，缺陷几何代数信息分数数值越低越容易出现假阴性几何代数信息，因此，只需要保留大于预设阈值的缺陷几何代数信息分数。利用缺陷过滤器对采集到的所有缺陷几何代数信息进行过滤，将缺陷几何代数信息分数低于预设阈值的缺陷几何代数信息筛选掉，得到相对纯净的缺陷几何代数信息。
缺陷过滤器通过判定公式对缺陷几何代数信息分数进行过滤，判定公式为：
Figure BSA0000212352850000081
Figure BSA0000212352850000082
其中，T为所述预设阈值，I为所述缺陷几何代数信息分数。
缺陷过滤器在一定程度上抑制了假阴性几何代数点的数量，减少了对缺陷分割的误导因素，有利于提高分割的准确率。
四、缺陷信息的连接
通过连通域分析法对过滤后的缺陷几何代数信息进行连接，得到缺陷区块几何代数信息，包括：获取过滤后的缺陷几何代数信息中坐标点P(x，y)的4-领域坐标点，分别为第一坐标点P1：(x-1)e1+ye2，第二坐标点P1：(x-1)e1+ye2，第三坐标点P1：xe1+(y-1)e2，第四坐标点P1：e1+(y+1)e2；将所述4-领域坐标点中任意两个坐标点重合的两个任意所述几何代数点进行连接，得到缺陷区块几何代数信息。
如图4所示，两个几何代数点相邻必须在4-领域方向上相邻，相邻的两个几何代数坐标必须只有一位不同而且只能相差1个像素。
五、缺陷分类过程
通过连通域法将过滤后的缺陷几何代数信息连接成缺陷区块几何代数信息后，对缺陷区块几何代数信息进行分类。如图5所示，利用带有卷积层、RELU、最大池化层的前向神经网络提取图像低级几何代数特征信息，具体的，图像低级几何代数特征是不需要任何形状/空间关系的信息就可以从图像中提取的基本特征，在本发明中体现为利用所述基于几何代数模糊池化的堆叠式深度神经网络对原始所述输入图像提取的图像几何代数特征。在所述重复的带有低通滤波器网络对图像低级几何代数特征信息进行模糊池化，提取符合信号采样定理的缺陷分类特征信息，利用softmax层对缺陷分类几何代数特征信息进行处理，得到最终预测分类概率，根据所述最终预测分类概率得到所述缺陷类别信息。
其中，模糊池化过程包括：
通过第一卷积核或通过第二卷积核对图像特征几何代数信息进行卷积运算，获取尺寸特征信息，其中，所述第一卷积核为3*3卷积核，所述第二卷积核为5*5卷积核。具体的，所述第一卷积核、所述第二卷积核通过所述基于几何代数模糊池化的堆叠式深度神经网络多次反向传播，更新参数得到；
通过正则化对所述尺度特征信息进行归一化处理，处理公式表示为：
Figure BSA0000212352850000091
其中，I(x)表示输入图像表征，μB为所述输入图像的均值，
Figure BSA0000212352850000092
为所述输入图像方差，∈为一个极小的实数整数，γ∈R：用于尺度调整，β∈R：用于偏移调整。
图6是本发明实施例提供的一种基于几何代数的工业缺陷检测系统，包括：
评分单元610，用于通过预设的基于GA-U-net网络结构的回归神经网络获取图片的第一缺陷几何代数信息，并对第一缺陷几何代数信息进行评分，得到缺陷几何代数信息分数；
过滤单元620，用于利用缺陷过滤器对缺陷几何代数信息分数进行过滤，筛选掉低于预设阈值的缺陷几何代数信息分数对应的第一缺陷几何代数信息，得到第二缺陷几何代数信息；
连接单元630，用于通过连通域分析法对第二缺陷几何代数信息进行连接，得到缺陷区块几何代数信息；
分类单元640，用于通过基于几何代数模糊池化的堆叠式深度神经网络对缺陷区块几何代数信息进行分类，得到缺陷类别信息；
检测单元650，用于根据缺陷类别信息进行缺陷检测与分类。
具体地，预设的基于GA-U-net网络结构的回归神经网络包括三个图像特征提取器，评分单元610具体用于利用包含卷积层和最大池化层的第一图像特征提取器获取图像低级几何代数特征信息；
利用包含GA-U-net网络结构的第二图像几何代数特征提取器对图像几何代数低级特征信息进行上采样，得到包含低层几何代数特征信息的第一缺陷几何代数信息；
利用包含多个卷积层的第三图像几何代数特征提取器对第一缺陷几何代数信息进行多次卷积，得到缺陷几何代数信息分数。
进一步地，评分单元610中预设的基于GA-U-net回归神经网络损失函数不断学习得到，损失函数的表达式为：
Figure BSA0000212352850000101
其中，proj(I(x)，ei)表示所述输入图像I(x)在ei方向上的投影。s表示为学习误差率，Yi表示为真实几何代数分数，f(xi)表示为预测几何代数分数。
进一步地，过滤单元620具体用于缺陷过滤器通过判定公式对缺陷信息分数进行过滤，判定公式为：
Figure BSA0000212352850000102
Figure BSA0000212352850000103
其中，T为预设阈值，I为缺陷几何代数信息分数。
进一步地，连接单元630具体用于获取第二缺陷几何代数信息中像素的坐标点P(x，y)的4-领域坐标点，分别为第一坐标点P1(x-1，y)，第二坐标点P2(x+1，y)，第三坐标点P3(x，y-1)，第四坐标点P4(x，y+1)；
将4-领域坐标点中任意两个坐标点重合的两个任意像素进行连接，得到缺陷区块信息。
进一步地，分类单元640具体用于利用带有卷积层、RELU、最大池化层的前向神经网络提取图像低级几何代数特征信息；
利用重复的带有低通滤波器的GA-U-net网络结构对图像低级几何代数特征信息进行模糊池化，提取符合信号采样定理的缺陷几何代数分类特征信息；
利用softmax层对缺陷几何代数分类特征信息进行处理，得到最终预测分类概率；
根据最终预测分类概率得到缺陷类别信息。
分类单元640还用于通过第一卷积核或通过第二卷积核对图像几何代数特征信息进行卷积运算，获取尺寸特征信息，其中，第一卷积核为3*3卷积核，第二卷积核为5*5卷积核；
通过正则化对述尺度特征信息进行归一处理，其中，正则化处理的表达式为：
Figure BSA0000212352850000111
其中，I(x)表示输入图像表征，μB为所述输入图像的均值，
Figure BSA0000212352850000112
为所述输入图像方差，∈为一个极小的实数整数，γ∈R：用于尺度调整，β∈R：用于偏移调整。
分类单元650具体用于利用所述缺陷类别信息进行缺陷检测与缺陷程度分析。
本发明实施例的基于几何代数的工业缺陷检测方法及系统，其中，方法包括：通过预设的基于GA-U-net网络结构的回归神经网络获取图片的第一缺陷几何代数信息，并对第一缺陷几何代数信息进行评分，得到缺陷几何代数信息分数，利用缺陷过滤器对缺陷几何代数信息分数进行过滤，筛选掉低于预设阈值的缺陷几何代数信息分数对应的第一缺陷几何代数信息，得到第二缺陷几何代数信息，通过连通域分析法对第二缺陷几何代数信息进行连接，得到缺陷区块几何代数信息，通过基于几何代数模糊池化的堆叠式深度神经网络对缺陷区块几何代数信息进行分类，得到缺陷类别信息，根据缺陷类别信息进行缺陷检测与分类，结合GA-U-net网络结构特点对回归神经网络进行改进提高了对缺陷的分割性能，并对缺陷进行定量的评估，且能够识别检测缺陷的类型，提高检测系统整体的准确率。
图7示出了本发明实施例提供的计算机设备的硬件结构示意图。
计算机设备可以包括处理器701以及存储有计算机程序指令的存储器702。
具体地，上述处理器701可以包括中央处理器(Central Processing Unit，CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器702可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器702可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在一个实例中，存储器702可以包括可移除或不可移除(或固定)的介质，或者存储器702是非易失性固态存储器。存储器702可在综合网关容灾设备的内部或外部。
在一个实例中，存储器702可以是只读存储器(Read Only Memory，ROM)。在一个实例中，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器701通过读取并执行存储器702中存储的计算机程序指令，以实现图1所示实施例中的方法/步骤S110至S150，并达到图1所示实例执行其方法/步骤达到的相应技术效果，为简洁描述在此不再赘述。
在一个示例中，计算机设备还可包括通信接口703和总线710。其中，如图7所示，处理器701、存储器702、通信接口703通过总线710连接并完成相互间的通信。
通信接口703，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线710包括硬件、软件或两者，将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(Accelerated Graphics Port，AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture，EISA)总线、前端总线(Front Side Bus，FSB)、超传输(Hyper Transport，HT)互连、工业标准架构(Industry Standard Architecture，ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线710可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。
该计算机设备可用于执行本发明实施例中的基于几何代数的工业缺陷检测方法，从而实现结合图1和图6描述的基于几何代数的工业缺陷检测方法和系统。
另外，结合上述实施例中的基于几何代数的工业缺陷检测的方法，本发明实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种基于几何代数的工业缺陷检测方法。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RadioFrequency，RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于几何代数的工业缺陷检测方法，其特征在于，包括：
通过预设的基于GA-U-net网络结构的回归神经网络获取输入图像的第一缺陷几何代数信息，并对所述第一缺陷几何代数信息进行评分，得到缺陷几何代数信息分数；
利用缺陷过滤器对所述缺陷几何代数信息分数进行过滤，筛选掉低于预设阈值的所述缺陷几何代数信息分数对应的所述第一缺陷几何代数信息，得到第二缺陷几何代数信息；
通过连通域分析法对所述第二缺陷几何代数信息进行连接，得到缺陷区块几何代数信息；
通过基于几何代数模糊池化的堆叠式深度神经网络对所述缺陷区块几何代数信息进行分类，得到缺陷类别信息；
根据所述缺陷类别信息进行缺陷检测与分类。
2.根据权利要求1所述的基于几何代数的工业缺陷检测方法，其特征在于，所述预设的GA-U-net网络结构的回归神经网络包括三个图像特征提取器，通过输入所述图像，获取所述第一缺陷几何代数信息，并对所述第一缺陷几何代数信息进行评分，得到缺陷几何代数信息分数，包括：
利用包含卷积层和最大池化层的第一图像特征提取器获取图像低级几何代数特征信息；
利用包含GA-U-net网络结构的第二图像特征提取器对所述图像低级几何代数特征信息进行上采样，得到包含低层几何代数特征信息的所述第一缺陷几何代数信息；
利用包含多个卷积层的第三图像特征提取器对所述第一缺陷几何代数信息进行多次卷积，得到所述缺陷几何代数信息分数。
3.根据权利要求1所述的工业缺陷检测方法，其特征在于，所述缺陷过滤器通过如下判定公式对所述缺陷信息分数进行过滤，得到第二缺陷几何代数信息：
Figure FSA0000212352840000011
Figure FSA0000212352840000021
其中，T为预设阈值的模，I为所述缺陷几何代数信息分数，a，b，c分别为在e1、e2、e3方向上的尺寸。
4.根据权利要求1所述的基于几何代数的工业缺陷检测方法，其特征在于，所述通过连通域分析法对所述第二缺陷几何代数信息进行连接，得到所述缺陷区块几何代数信息，包括：
获取所述第二缺陷几何代数信息中像素的坐标点P(x，y)的4-领域坐标点，分别为第一坐标点P1：(x-1)e1+ye2，第二坐标点P2：(x+1)e1+ye2，第三坐标点P3：xe1+(y-1)e2，第四坐标点P4：xe1+(y+1)e2；
将所述4-领域坐标点中任意两个坐标点重合的两个任意所述像素进行连接，得到所述缺陷区块几何代数信息。
5.根据权利要求1所述的基于几何代数的工业缺陷检测方法，其特征在于，所述基于模糊池化的堆叠式深度神经网络对所述缺陷区块几何代数信息进行分类，包括：
利用带有卷积层、RELU、最大池化层的前向神经网络提取所述图像低级几何代数特征信息；
利用重复的带有低通滤波器的GA-U-net网络结构对所述图像低级几何代数特征信息进行模糊池化，提取符合信号采样定理的缺陷分类特征信息；
利用softmax层对所述缺陷分类特征信息进行处理，得到预测分类概率；
根据所述预测分类概率得到所述缺陷类别信息。
6.根据权利要求1所述的基于几何代数的工业缺陷检测方法，其特征在于，所述输入图像表征：
I(x)＝f1(x)e1+f2(x)e2+f3(x)e3
其中，e1，e2，e3为正交基，
Figure FSA0000212352840000022
7.根据权利要求5所述的基于几何代数的工业缺陷检测方法，其特征在于，所述模糊池化步骤包括：
通过第一卷积核或通过第二卷积核对图像特征几何代数信息进行卷积运算，获取尺寸特征信息，其中，所述第一卷积核为3*3卷积核，所述第二卷积核为5*5卷积核；
通过正则化对所述尺度特征信息进行归一化处理。
8.一种基于几何代数的工业缺陷检测系统，其特征在于，所述系统包括：
评分单元，用于通过预设的基于GA-U-net网络结构的回归神经网络获取图片的第一缺陷几何代数信息，并对所述第一缺陷几何代数信息进行评分，得到缺陷几何代数信息分数；
过滤单元，用于利用缺陷过滤器对所述缺陷几何代数信息分数进行过滤，筛选掉低于预设阈值的所述缺陷几何代数信息分数对应的所述第一缺陷几何代数信息，得到第二缺陷几何代数信息；
连接单元，用于通过连通域分析法对所述第二缺陷几何代数信息进行连接，得到缺陷区块几何代数信息；
分类单元，用于通过基于模糊池化的堆叠式深度神经网络对所述缺陷区块几何代数信息进行分类，得到缺陷类别信息；
检测单元，用于根据所述缺陷类别信息进行缺陷检测与分类。
9.一种计算机设备，其特征在于，所述设备包括：处理器，以及存储有计算机程序指令的存储器；
所述处理器读取并执行所述计算机程序指令，以实现如权利要求1-8任意一项所述的基于几何代数的工业缺陷检测方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-8任意一项所述的基于几何代数工业缺陷检测方法。
CN202010609820.6A 2020-06-28 2020-06-28 一种基于几何代数的工业缺陷检测方法和系统 Active CN111754497B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010609820.6A CN111754497B (zh) 2020-06-28 2020-06-28 一种基于几何代数的工业缺陷检测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010609820.6A CN111754497B (zh) 2020-06-28 2020-06-28 一种基于几何代数的工业缺陷检测方法和系统

Publications (2)

Publication Number Publication Date
CN111754497A true CN111754497A (zh) 2020-10-09
CN111754497B CN111754497B (zh) 2023-09-01

Family

ID=72678232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010609820.6A Active CN111754497B (zh) 2020-06-28 2020-06-28 一种基于几何代数的工业缺陷检测方法和系统

Country Status (1)

Country Link
CN (1) CN111754497B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686892A (zh) * 2021-03-10 2021-04-20 北京妃灵科技有限公司 手表成色智能评估方法、装置、设备和存储介质
CN113284149A (zh) * 2021-07-26 2021-08-20 长沙理工大学 Covid-19胸部ct图像识别方法、装置及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921825A (zh) * 2018-06-12 2018-11-30 北京羽医甘蓝信息技术有限公司 基于深度学习的检测面部皮肤点状缺陷的方法及装置
CN109035314A (zh) * 2018-07-27 2018-12-18 深圳大学 基于几何代数的医学图像配准方法和系统
CN109710715A (zh) * 2018-12-24 2019-05-03 南京泛在地理信息产业研究院有限公司 一种遥感影像元数据的几何代数编码与表示方法
US20190197679A1 (en) * 2017-12-25 2019-06-27 Utechzone Co., Ltd. Automated optical inspection method using deep learning and apparatus, computer program for performing the method, computer-readable storage medium storing the computer program,and deep learning system thereof
CN112102229A (zh) * 2020-07-23 2020-12-18 西安交通大学 一种基于深度学习的工业ct检测缺陷的智能识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190197679A1 (en) * 2017-12-25 2019-06-27 Utechzone Co., Ltd. Automated optical inspection method using deep learning and apparatus, computer program for performing the method, computer-readable storage medium storing the computer program,and deep learning system thereof
CN108921825A (zh) * 2018-06-12 2018-11-30 北京羽医甘蓝信息技术有限公司 基于深度学习的检测面部皮肤点状缺陷的方法及装置
CN109035314A (zh) * 2018-07-27 2018-12-18 深圳大学 基于几何代数的医学图像配准方法和系统
CN109710715A (zh) * 2018-12-24 2019-05-03 南京泛在地理信息产业研究院有限公司 一种遥感影像元数据的几何代数编码与表示方法
CN112102229A (zh) * 2020-07-23 2020-12-18 西安交通大学 一种基于深度学习的工业ct检测缺陷的智能识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686892A (zh) * 2021-03-10 2021-04-20 北京妃灵科技有限公司 手表成色智能评估方法、装置、设备和存储介质
CN113284149A (zh) * 2021-07-26 2021-08-20 长沙理工大学 Covid-19胸部ct图像识别方法、装置及电子设备

Also Published As

Publication number Publication date
CN111754497B (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
CN110264448B (zh) 一种基于机器视觉的绝缘子故障检测方法
CN105069807B (zh) 一种基于图像处理的冲压工件缺陷检测方法
CN113591967B (zh) 一种图像处理方法、装置、设备及计算机存储介质
CN108334881B (zh) 一种基于深度学习的车牌识别方法
CN107328787A (zh) 一种基于深度卷积神经网络的金属板带表面缺陷检测系统
CN111862025A (zh) 基于深度学习的pcb缺陷自动检测方法
CN112733885A (zh) 点云识别模型的确定方法、点云识别的方法及装置
CN109101976B (zh) 一种灭弧栅片表面缺陷的检测方法
CN113781391A (zh) 图像缺陷检测方法以及相关设备
KR20210038303A (ko) 제품 분류 시스템 및 방법
CN111754497B (zh) 一种基于几何代数的工业缺陷检测方法和系统
CN112257711B (zh) 一种铁路货车地板破损故障检测方法
CN113240623A (zh) 一种路面病害检测方法及装置
CN113870202A (zh) 一种基于深度学习技术的远端芯片缺陷检测系统
CN113780492A (zh) 一种二维码二值化方法、装置、设备及可读存储介质
CN112597904A (zh) 一种用于高炉料面图像的识别与分类方法
CN115829942A (zh) 基于非负性约束稀疏自编码器的电子电路缺陷检测方法
CN111539931A (zh) 一种基于卷积神经网络和边界限定优化的外观异常检测方法
CN108520252B (zh) 基于广义霍夫变换和小波变换的路标识别方法
CN117423040A (zh) 一种基于改进YOLOv8的无人垃圾清扫车视觉垃圾识别方法
CN112396580A (zh) 一种圆形零件缺陷检测方法
CN116012659B (zh) 一种红外目标检测方法、装置、电子设备及存储介质
CN117252818A (zh) 基于改进YOLOv5的PCB缺陷检测方法
CN116579985A (zh) 一种基于RefineDet模型的晶圆缺陷检测方法
CN115345806A (zh) 对象检测方法、装置、电子设备及可读存储介质

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
GR01 Patent grant
GR01 Patent grant