CN111986199B - 一种基于无监督深度学习的木地板表面瑕疵检测方法 - Google Patents
一种基于无监督深度学习的木地板表面瑕疵检测方法 Download PDFInfo
- Publication number
- CN111986199B CN111986199B CN202010951378.5A CN202010951378A CN111986199B CN 111986199 B CN111986199 B CN 111986199B CN 202010951378 A CN202010951378 A CN 202010951378A CN 111986199 B CN111986199 B CN 111986199B
- Authority
- CN
- China
- Prior art keywords
- sample
- layer
- deep learning
- result
- wood floor
- 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
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 239000002023 wood Substances 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 title claims description 11
- 230000007547 defect Effects 0.000 claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 238000011176 pooling Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 12
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000009776 industrial production Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 31
- 238000012549 training Methods 0.000 description 8
- 239000004744 fabric Substances 0.000 description 4
- 239000002344 surface layer Substances 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 3
- 239000013078 crystal Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
-
- G06T5/70—
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/30161—Wood; Lumber
-
- 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
- G06T2207/30168—Image quality inspection
Abstract
本发明涉及一种基于无监督深度学习的木地板表面瑕疵检测方法，包括以下步骤：1)收集样品样本，包括好品样本和缺陷样本，好品样本和缺陷样本数量均大于5000张；2)对收集的样品样本采用高斯滤波方式进行图像噪声的预处理；3)对样品样本进行样本扩充；4)建立网络模型，生成深度学习运行库；5)对待测品进行检测，将待测品进行与步骤2)同样的预处理后输入到步骤4)生成的深度学习运行库中进行判决，并给出好品或坏品的判决结果。本发明解决了现有木地板表层纹路变化等造成的现有技术无法检测的问题，能达到替换人工检测的目的，实现木地板行业表面瑕疵的有效检出，满足行业生产质量标准。
Description
技术领域
本发明涉及视觉检测技术领域，尤其是一种基于无监督深度学习的木地板表面瑕疵检测方法。
背景技术
为确保地板在交付时保证产品的符合质量要求，工作人员必须要对所有的成品进行检测，确保产品中不存在表面瑕疵等影响产品完整性及美观性等问题，由于人工观察角度及视觉疲劳会造成大量缺陷漏检，同时人工检测效率较低。针对这一问题，机器视觉检测得到了初步的应用，采用搭载光学成像及检测系统的平台对产品进行异物缺陷检测判断。
当前应用于机器视觉的检测方法主要为：缺陷比对检测和深度学习算法，其所存在的问题为：
1、现有传统的技术基于学习的缺陷比对算法，通过采集好品进行学习，采集到的图像和标准图像进行比较，有差异就可以判定为缺陷；
但是，现有基于学习的比对算法对背景的一致性要求较高，由于地板表层的纹路特征随机，所有产品表层纹路均不一致，同时地板表层的木纹年轮等与缺陷特征较为一致，因此，现有算法难以有效区分，会造成大量误检；
2、现有有监督深度学习算法，将原始图像直接输入，通过模型训练后，决策采集的图像是否为缺陷；
但是，有监督深度学习算法由于地板的缺陷特征不确定性，缺陷特征形态多样，难以有效收集，因此造成模型训练不完整，最终会造成大批量缺陷漏检；同时，地板的种类较多，颜色变化较多，且基于有监督的深度学习无法进行有效切换。
发明内容
本发明要解决的技术问题是：提供一种基于无监督深度学习的木地板表面瑕疵检测方法，解决了地板表面瑕疵检测的难题，达到了视觉检测替换人工进行表面瑕疵检测的效果。
本发明解决其技术问题所采用的技术方案是：一种基于无监督深度学习的木地板表面瑕疵检测方法，包括以下步骤：
1)收集样品样本，包括好品样本和缺陷样本，好品样本和缺陷样本数量均大于5000张；
2)对收集的样品样本采用高斯滤波方式进行图像噪声的预处理；
3)对样品样本进行样本扩充；
4)建立网络模型，生成深度学习运行库；
5)对待测品进行检测，将待测品进行与步骤2)同样的预处理后输入到步骤4)生成的深度学习运行库中进行判决，并给出好品或坏品的判决结果。
进一步的说，本发明所述的步骤3)中，对样品样本进行扩充的方式包括对样品样本进行裁剪，然后按角度进行旋转以及翻转后进行镜像操作。
进一步的说，本发明所述的步骤4)中，建立的网络模型结构为，包括6组长方形为卷积层，后面紧接着1个卷积层及4个DECONV1～DECONV4反卷积层，最后1个输出层；其中，每组卷积层的第一个长方形为输入层，后三个长方形为3个单元，相邻卷积层间包含一次池化操作，全连接层的输出在DECONV1层经2倍的反卷积后，其结果再与第四池化层的跳级Skip结果完成第一次累加；对于输出的累加结果，在DECONV1层再次进行2倍的反卷积后，其输出结果与第三池化层的Skip结果完成第二次累加，依次进行；每次累加输出与上一池化层Skip结果进行累加，直到输出最终检测结果；
每组最大池化max pooling滤波器尺寸为[2，2]，每组中四个卷积滤波器的尺寸为[3，3]、[7，7]、[5，5]和[3，3]，随层数增加，滤波器深度增加一倍，反卷积层滤波器尺寸为[4，4]、[4，4]、[4，4]和[8，8]，skip1～3滤波器尺寸均为[1，1]。
进一步的说，本发明所述的网络模型的损失函数为：
式中，N为索引值；Pi、Pi *分别为目标边值的预测值与真实值；ti、ti *分别为类别的预测值与真实值；Ncls、Nreg分别为分类项和回归项的归一化参数；λ为权重值；
Lcls为分类损失对数函数，其表达式为:
Lcls(Pi,Pi *)＝-log(Pi *Pi+(1-Pi *)(1-Pi))
Lreg为网络回归损失函数，即:
Lreg(ti,ti *)＝R(ti-ti *)＝R(x)
R(x)为损失函数，其式为:
本发明的有益效果是，解决了背景技术中存在的缺陷，采集大批量的正品作为训练样张，网络模型采用无监督模式学习训练好品样本，形成深度学习运行库，待检测图像依据深度学习运行库决策是否存在缺陷；解决了现有木地板表层纹路变化等造成的现有技术无法检测的问题，能稳定识别气泡、杂质、晶点、损边角、凹痕、划痕、油污、折料、鼓包、擦伤、面料破损、面料屑、倒角白边、黑白边等缺陷；根据实际运行测试，对异物总体检出率能达到99％以上(目视明显缺陷能达到100％)，能达到替换人工检测的目的，实现木地板行业表面瑕疵的有效检出，满足行业生产质量标准。
附图说明
图1是本发明的流程框图；
图2是本发明网络模型结构示意图。
具体实施方式
现在结合附图和优选实施例对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
如图1所示的一种基于无监督深度学习的木地板表面瑕疵检测方法，整体过程如图1所示，包括以下步骤：
1)收集样品样本，包括好品样本和缺陷样本，好品样本和缺陷样本数量均大于5000张；
2)对收集的样品样本采用高斯滤波方式进行图像噪声的预处理；
3)对样品样本进行样本扩充；
4)建立网络模型，生成深度学习运行库；
5)对待测品进行检测，将待测品进行与步骤2)同样的预处理后输入到步骤4)生成的深度学习运行库中进行判决，并给出好品或坏品的判决结果。
具体步骤为：
1、采集样本：由于地板背景较复杂多变，需收集大量好品地板样本集A和缺陷样本B，数量均大于5000张；
2、预处理：采用高斯滤波进行图像噪声处理；
3、样本扩充：首先将相机拍摄的原始图像进行裁剪，设：裁剪出的检测区分辨率W*H，然后进行90°、180°和270°旋转，进行上下、左右翻转，以及镜像操作；
4、建立网络模型：借鉴FCN算法思想重新设计网络模型，以实现木板缺陷检测。
网络模型的结构如图2所示，图中6组长方形CONV1～CONV6为卷积层，每组有4个长方形，后面紧接着1个卷积层CONV及4个DECONV1～DECONV4反卷积层，最后为输出层。其中，每组卷积层的第一个长方形为输入层，后三个长方形为3个单元，相邻卷积层间包含一次池化操作，全连接层的输出在DECONV1层经2倍的反卷积后，其结果再与第四池化层的Skip结果完成第一次累加。对于输出的累加结果，在DECONV1层再次进行2倍的反卷积后，其输出结果与第三池化层的Skip结果完成第二次累加，依次进行，每次累加输出与上一池化层Skip结果进行累加，直到输出最终检测结果。
每组max pooling滤波器尺寸为[2，2]，每组中四个卷积滤波器的尺寸为[3，3]、[7，7]、[5，5]和[3，3]，随层数增加，滤波器深度增加一倍，反卷积层滤波器尺寸为[4，4]、[4，4]、[4，4]和[8，8]，skip1～3滤波器尺寸均为[1，1]。
模型损失函数为:
式中，N为索引值；Pi、Pi*分别为目标边值的预测值与真实值；ti、ti*分别为类别的预测值与真实值；Ncls、Nreg分别为分类项和回归项的归一化参数；λ为权重值；
Lcls为分类损失对数函数，其表达式为:
Lcls(Pi,Pi *)＝-log(Pi *Pi+(1-Pi *)(1-Pi))
Lreg为网络回归损失函数，即:
Lreg(ti,ti *)＝R(ti-ti *)＝R(x)
式中，R(x)为损失函数，其式为:
5、深度学习运行库：
标记样本为好品，进行100次迭代训练，训练参数：网络训练的batch大小为20，特征尺寸为40，颜色通道为3，采样密度为1。训练完成后保存深度学习运行库。
6、检测过程，待检测样本进行同样的预处理后输入到深度学习运行库中处理，给出OK品和NG品判决结果。
本方法解决了现有木地板表层纹路变化等造成的现有技术无法检测的问题，能稳定识别气泡、杂质、晶点、损边角、凹痕、划痕、油污、折料、鼓包、擦伤、面料破损、面料屑、倒角白边、黑白边等缺陷；根据实际运行测试，对异物总体检出率能达到99％以上(目视明显缺陷能达到100％)。
以上说明书中描述的只是本发明的具体实施方式，各种举例说明不对本发明的实质内容构成限制，所属技术领域的普通技术人员在阅读了说明书后可以对以前所述的具体实施方式做修改或变形，而不背离发明的实质和范围。
Claims (2)
1.一种基于无监督深度学习的木地板表面瑕疵检测方法，其特征在于：包括以下步骤：
1)收集样品样本，包括好品样本和缺陷样本，好品样本和缺陷样本数量均大于5000张；
2)对收集的样品样本采用高斯滤波方式进行图像噪声的预处理；
3)对样品样本进行样本扩充；
4)建立网络模型，生成深度学习运行库；
所述的步骤4)中，建立的网络模型结构为，包括6组长方形为卷积层，后面紧接着1个卷积层及4个DECONV1～DECONV4反卷积层，最后为1个输出层；
其中，每组卷积层的第一个长方形为输入层，后三个长方形为3个单元，相邻卷积层间包含一次池化操作，全连接层的输出在DECONV1层经2倍的反卷积后，其结果再与第四池化层的跳级Skip结果完成第一次累加；对于输出的累加结果，在DECONV1层再次进行2倍的反卷积后，其输出结果与第三池化层的Skip结果完成第二次累加，依次进行；每次累加输出与上一池化层Skip结果进行累加，直到输出最终检测结果；
每组最大池化max pooling滤波器尺寸为[2，2]，每组中四个卷积滤波器的尺寸为[3，3]、[7，7]、[5，5]和[3，3]，随层数增加，滤波器深度增加一倍，反卷积层滤波器尺寸为[4，4]、[4，4]、[4，4]和[8，8]，skip1～3滤波器尺寸均为[1，1]；
所述的网络模型的损失函数为：
式中，N为索引值；Pi、Pi *分别为目标边值的预测值与真实值；ti、ti *分别为类别的预测值与真实值；Ncls、Nreg分别为分类项和回归项的归一化参数；λ为权重值；
Lcls为分类损失对数函数，其表达式为:
Lcls(Pi,Pi *)＝-log(Pi *Pi+(1-Pi *)(1-Pi))
Lreg为网络回归损失函数，即:
Lreg(ti,ti *)＝R(ti-ti *)＝R(x)
R(x)为损失函数，其式为:
5)对待测品进行检测，将待测品进行与步骤2)同样的预处理后输入到步骤4)生成的深度学习运行库中进行判决，并给出好品或坏品的判决结果。
2.如权利要求1所述的一种基于无监督深度学习的木地板表面瑕疵检测方法，其特征在于：所述的步骤3)中，对样品样本进行扩充的方式包括对样品样本进行裁剪，然后按角度进行旋转以及翻转后进行镜像操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010951378.5A CN111986199B (zh) | 2020-09-11 | 2020-09-11 | 一种基于无监督深度学习的木地板表面瑕疵检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010951378.5A CN111986199B (zh) | 2020-09-11 | 2020-09-11 | 一种基于无监督深度学习的木地板表面瑕疵检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111986199A CN111986199A (zh) | 2020-11-24 |
| CN111986199B true CN111986199B (zh) | 2024-04-16 |
Family
ID=73450765
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010951378.5A Active CN111986199B (zh) | 2020-09-11 | 2020-09-11 | 一种基于无监督深度学习的木地板表面瑕疵检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111986199B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112990392A (zh) * | 2021-05-20 | 2021-06-18 | 四川大学 | 基于改进YOLOv5算法的新材料地板缺陷目标检测系统 |
| CN113283541B (zh) * | 2021-06-15 | 2022-07-22 | 无锡锤头鲨智能科技有限公司 | 一种地板自动分选方法 |
| CN115587978B (zh) * | 2022-10-08 | 2023-04-21 | 盐城工学院 | 一种基于深度学习的地板革贴合压纹在线检测系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106228124A (zh) * | 2016-07-17 | 2016-12-14 | 西安电子科技大学 | 基于卷积神经网络的sar图像目标检测方法 |
| CN107025443A (zh) * | 2017-04-06 | 2017-08-08 | 江南大学 | 基于深度卷积神经网络的堆场烟雾监测及在线模型更新方法 |
| WO2018145308A1 (en) * | 2017-02-13 | 2018-08-16 | Nokia Technologies Oy | Filter reusing mechanism for constructing robust deep convolutional neural network |
| CN109166094A (zh) * | 2018-07-11 | 2019-01-08 | 华南理工大学 | 一种基于深度学习的绝缘子故障定位识别方法 |
| CN109977918A (zh) * | 2019-04-09 | 2019-07-05 | 华南理工大学 | 一种基于无监督域适应的目标检测定位优化方法 |
| CN110136126A (zh) * | 2019-05-17 | 2019-08-16 | 东南大学 | 基于全卷积神经网络的织物纹理瑕疵检测方法 |
| CN111311544A (zh) * | 2020-01-19 | 2020-06-19 | 无锡赛默斐视科技有限公司 | 一种基于深度学习的地板缺陷检测方法 |
| CN111383209A (zh) * | 2019-12-20 | 2020-07-07 | 华南理工大学 | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 |
-
2020
- 2020-09-11 CN CN202010951378.5A patent/CN111986199B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106228124A (zh) * | 2016-07-17 | 2016-12-14 | 西安电子科技大学 | 基于卷积神经网络的sar图像目标检测方法 |
| WO2018145308A1 (en) * | 2017-02-13 | 2018-08-16 | Nokia Technologies Oy | Filter reusing mechanism for constructing robust deep convolutional neural network |
| CN107025443A (zh) * | 2017-04-06 | 2017-08-08 | 江南大学 | 基于深度卷积神经网络的堆场烟雾监测及在线模型更新方法 |
| CN109166094A (zh) * | 2018-07-11 | 2019-01-08 | 华南理工大学 | 一种基于深度学习的绝缘子故障定位识别方法 |
| CN109977918A (zh) * | 2019-04-09 | 2019-07-05 | 华南理工大学 | 一种基于无监督域适应的目标检测定位优化方法 |
| CN110136126A (zh) * | 2019-05-17 | 2019-08-16 | 东南大学 | 基于全卷积神经网络的织物纹理瑕疵检测方法 |
| CN111383209A (zh) * | 2019-12-20 | 2020-07-07 | 华南理工大学 | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 |
| CN111311544A (zh) * | 2020-01-19 | 2020-06-19 | 无锡赛默斐视科技有限公司 | 一种基于深度学习的地板缺陷检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于最小化最大平均差异损失的无监督领域自适应;桂存斌;《中国优秀硕士学位论文全文数据库》;20190815(第2019年08期);I138-1139 * |
| 基于深度神经网络和投影树的高效率动作识别算法;郭洪涛 等;《计算机应用与软件》;20200430;第37卷(第4期);273-279，289 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111986199A (zh) | 2020-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111986199B (zh) | 一种基于无监督深度学习的木地板表面瑕疵检测方法 | |
| CN108230324B (zh) | 磁瓦表面微缺陷视觉检测方法 | |
| CN105158258B (zh) | 一种基于计算机视觉的竹条表面缺陷检测方法 | |
| Boukouvalas et al. | Ceramic tile inspection for colour and structural defects | |
| Rahaman et al. | Automatic defect detection and classification technique from image: a special case using ceramic tiles | |
| CN113362326A (zh) | 一种电池焊点缺陷的检测方法及装置 | |
| JP6726641B2 (ja) | 画像分類プログラム、分類データ作成プログラム、及び、分類データ作成方法 | |
| CN113838041B (zh) | 一种基于自编码器的彩色纹理织物缺陷区域的检测方法 | |
| CN108665458A (zh) | 透明体表面缺陷提取及识别方法 | |
| CN1948603A (zh) | 一种识别机织物疵点的方法 | |
| CN109886960A (zh) | 基于机器视觉的玻璃边缘缺陷检测的方法 | |
| CN113554080A (zh) | 一种基于机器视觉的无纺布瑕疵检测分类方法及系统 | |
| CN108038838A (zh) | 一种棉麻纤维种类自动检测方法和系统 | |
| CN106780464A (zh) | 一种基于改进阈值分割的织物疵点检测方法 | |
| CN113505865A (zh) | 一种基于卷积神经网络的片材表面缺陷图像识别处理方法 | |
| CN112200790B (zh) | 布料缺陷检测方法、设备和介质 | |
| CN111445471A (zh) | 基于深度学习和机器视觉的产品表面缺陷检测方法及装置 | |
| CN111415330A (zh) | 基于深度学习的铜箔外观缺陷检测方法 | |
| CN110020691A (zh) | 基于卷积神经网络对抗式训练的液晶屏幕缺陷检测方法 | |
| CN114255212A (zh) | 一种基于cnn的fpc表面缺陷检测方法及其系统 | |
| CN115829995A (zh) | 基于像素级的多尺度特征融合的布匹瑕疵检测方法及系统 | |
| CN115205209A (zh) | 一种基于弱监督学习的单色布匹瑕疵检测方法 | |
| CN115187544A (zh) | 基于DR-RSBU-YOLOv5的织物瑕疵检测方法 | |
| CN111353981B (zh) | 基于机器视觉的齿轮检测方法、系统及存储介质 | |
| CN107123108A (zh) | 基于机器视觉的遥感器遮光罩蜂窝缺陷自动检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |