CN112419291B - 一种瓶胚缺陷检测模型的训练方法、存储介质及终端设备 - Google Patents
一种瓶胚缺陷检测模型的训练方法、存储介质及终端设备 Download PDFInfo
- Publication number
- CN112419291B CN112419291B CN202011374216.6A CN202011374216A CN112419291B CN 112419291 B CN112419291 B CN 112419291B CN 202011374216 A CN202011374216 A CN 202011374216A CN 112419291 B CN112419291 B CN 112419291B
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- convolution
- training
- pooling layer
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 65
- 238000012549 training Methods 0.000 title claims abstract description 61
- 238000001514 detection method Methods 0.000 title claims abstract description 55
- 210000001161 mammalian embryo Anatomy 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 238000006243 chemical reaction Methods 0.000 claims abstract description 4
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 238000011176 pooling Methods 0.000 claims description 55
- 238000001228 spectrum Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 25
- 238000010606 normalization Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 210000002257 embryonic structure Anatomy 0.000 abstract 1
- 238000004519 manufacturing process Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 235000013361 beverage Nutrition 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010027146 Melanoderma Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012858 packaging process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/90—Investigating the presence of flaws or contamination in a container or its contents
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06T7/0002—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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种瓶胚缺陷检测模型的训练方法、存储介质及终端设备,所述瓶胚缺陷检测模型的训练方法包括步骤:获取训练样本数据;对图像进行灰度转换,得到灰度图像;采用二值化阈值对所述灰度图像进行二值化分割得到二值图像;对二值图像进行缺陷坐标标记,将标记坐标后的二值图像转为预设尺寸的图像,得到的图像设为图像矩阵X,所述预设尺寸的尺寸大小为a1×a1;对图像矩阵X进行归一化处理,生成第一数据集;通过卷积神经网络构建第一模型;在所述第一数据集上训练第一模型,当达到迭代次数时,训练结束,保存训练完成的第一模型;本发明公开的瓶胚缺陷检测模型的训练方法所生成的第一模型可有效地对瓶胚的缺陷进行检测,提高检测效率。
Description
技术领域
本发明涉及机器视觉检测技术领域,特别涉及一种瓶胚缺陷检测模型的训练方法、存储介质及终端设备。
背景技术
在食品、饮料、医药等行业中,其生产包装过程所使用的材料多以PET材质为主,以饮料行业举例,每条PET灌装瓶生产线的日产量可高达15万瓶;瓶胚是成型PET瓶的雏形,每个瓶胚在完成生产制造后都需要进行质量的检测,生产线的日产量高,意味着需要进行质量检测的瓶胚的数量大,检测任务量大。
现有的PET瓶胚仍采用传统的人工检测方式,人工检测相对于机器检测,存在检测速度慢、检测效率低的问题,难以满足持续快速生产的生产线的需求,降低了企业的生产效率,提高了生产所需的人工成本;此外,人工检测的检测效果主要依赖检验人员检验时的主观判断,受人视觉主观性的限制,难以保证PET瓶胚质量检测结果的有效性,且人工检测时,容易出现漏检的情况,提高了PET瓶胚质量的不确定性。
可见,现有技术还有待改进和提高。
发明内容
鉴于上述现有技术的不足之处,本发明的目的在于提供一种瓶胚缺陷检测模型的训练方法,完成训练的第一模型能够快速准确地识别出瓶胚上是否存在缺陷,提高瓶胚质量检测的效率,消除人工判断过程所存在的主观影响。
为了达到上述目的,本发明采取了以下技术方案:
一种瓶胚缺陷检测模型的训练方法,包括步骤:
获取训练样本数据,所述训练样本数据包括瓶胚的合格图像以及多类缺陷图像;
对图像进行灰度转换,得到灰度图像;
对灰度图像进行灰度统计,得到二值化阈值,根据所述二值化阈值对所述灰度图像进行二值化分割,得到二值图像;
对二值图像进行缺陷识别,并标记缺陷坐标,将标记坐标后的二值图像转为预设尺寸的图像,得到的图像设为图像矩阵X,所述预设尺寸的尺寸大小为a1×a1;
对图像矩阵X进行归一化处理,生成第一数据集;
通过卷积神经网络构建第一模型;
在所述第一数据集上训练第一模型,当达到迭代次数时,训练结束,保存训练完成的第一模型。
所述的瓶胚缺陷检测模型的训练方法中,所述对二值图像进行缺陷识别,并标记缺陷坐标,将标记坐标后的二值图像转为预设尺寸的图像中,所述预设尺寸的尺寸大小为a1×a1=227×227。
所述的瓶胚缺陷检测模型的训练方法中,所述对图像矩阵X进行归一化处理,具体包括步骤:
采用mapminmax函数对图像矩阵X进行归一化处理,设y为归一化处理后的图像数据,设x为归一化处理前的图像数据的某一个元素,xmax为归一化处理前的图像数据中的最大值,xmin为归一化处理前的图像数据的最小值;
y=(ymax-ymin)×(x-xmin)/(xmax-xmin)+ymin
其中,ymax=1,ymin=-1。
所述的瓶胚缺陷检测模型的训练方法中,所述通过卷积神经网络构建第一模型,具体包括步骤:
所述卷积神经网络结构从输入到输出依次为:输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层和输出层;
输入层所输入的图像大小与预设尺寸相同;
所述第一卷积层采用b2个尺寸为b3×b3的卷积核,所述第一卷积层以层次b1对图像进行卷积操作,提取图像特征图谱并输出第一特征图谱至第一池化层;
所述第一池化层的比例为c1,所述第一池化层的尺寸为c2×c2,第一池化层对第一特征图谱进行降采样,并输出第二特征图谱至第二卷积层;
所述第二卷积层采用d2个尺寸为d3×d3的卷积核,所述第二卷积层以层次d1对第二特征图谱进行卷积操作,提取图像特征图谱并输出第三特征图谱至第二池化层;
所述第二池化层的比例为e1,所述第二池化层的尺寸为e2×e2,第二池化层的对第三特征图谱进行降采样,并输出第四特征图谱至全连接层;
所述全连接层将第二池化层所输出的第四特征图谱转化为一维向量并输出至输出层;
所述输出层输出检测结果。
所述的瓶胚缺陷检测模型的训练方法中,所述第一卷积层、第二卷积层、第一池化层、第二池化层和全连接层通过权值w、阈值f和隐藏函数实现连接。
所述的瓶胚缺陷检测模型的训练方法中,所述第一卷积层的层次b1=6,卷积核的个数b2=38;所述第二卷积层的层次d1=6,卷积核的个数d2=8。
所述的瓶胚缺陷检测模型的训练方法中,所述第一池化层的比例c1=2,所述第二池化层的比例e1=2。
所述的瓶胚缺陷检测模型的训练方法中,所述b3=a1-b2+1,所述c2=b3/2,所述d3=c2-d2+1,所述e2=d3/2。
本发明还相应地提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上任一所述的瓶胚缺陷检测模型的训练方法中的步骤。
本发明还相应地提供了一种终端设备,包括:处理器、存储器以及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序;所述通信总线实现处理器和存储器之间的连接通信;所述处理器执行所述计算机可读程序时,实现如上任一所述的瓶胚缺陷检测模型的训练方法中的步骤。
有益效果:
本发明提供了一种瓶胚缺陷检测模型的训练方法,通过对样本数据中的图像进行灰度处理、二值化处理以及归一化处理,再将归一化处理后的图像输入至卷积神经网络中构建的第一模型;完成训练的第一模型能够快速准确地识别出瓶胚上是否存在缺陷,提高瓶胚质量检测的效率,从而提高生产效率;取代了传统的人工检测方式,消除了人工判断过程中所存在的主观因素影响,提高瓶胚缺陷检测的正确率。
附图说明
图1为本发明提供的训练方法的控制流程图;
图2为本发明提供的训练方法中步骤S500的一个实施例的控制流程图;
图3为本发明提供的训练方法中步骤S600的一个实施例的控制流程图;
图4为本发明提供的终端设备的结构示意图。
具体实施方式
本发明提供了一种瓶胚缺陷检测模型的训练方法、存储介质及终端设备,为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明作进一步详细说明。
在本发明的描述中,术语“安装”、“连接”等应做广义理解,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1,本发明提供了一种瓶胚缺陷检测模型的训练方法,包括步骤:
S100、获取训练样本数据,所述训练样本数据包括瓶胚的合格图像以及多类缺陷图像,一般采用供液相机获取瓶胚的图像;一般情况下,PET瓶的瓶胚上可能出现的缺陷包括黑点、划痕和气泡;在一个实施例中,所述训练样本数据包括800张图像,包括200张瓶胚的合格图像,200张具有黑点的瓶胚图像,200张具有划痕的瓶胚图像以及200张具有气泡的瓶胚图像,使各类别图像进行数据平衡,保证各类别图像的样本数目充足,便于进行模型的训练;若某类缺陷的图像的数量较少,可通过翻转、旋转、随机平移和随机缩放等几何方法对样本的数量进行扩充;以训练800张图像为一个批次,方便在训练过程中观测训练的过程。
S200、对图像进行灰度转换,得到灰度图像;没有缺陷的PET瓶的瓶胚的灰度值相差不大,二值化后得到的二值图像是全白色的,不存在黑色的缺陷痕迹;存在缺陷的PET瓶的瓶胚,由于缺陷的存在,其缺陷点的灰度值与瓶胚其他位置的灰度值不一致,二值化后得到的二值图像存在黑色的缺陷痕迹。
S300、对灰度图像进行灰度统计,得到二值化阈值,根据所述二值化阈值对所述灰度图像进行二值化分割,得到二值图像;对二值图像进行二值化分割后,对于存在缺陷的PET瓶的瓶胚的图像而言,可得到黑色的缺陷点,通过对黑色像素点的位置定位来确认原图像的缺陷点的位置,并将缺陷点标记为绿色。
可通过对缺陷点的特征进行分析,确认瓶胚的缺陷为何种缺陷;假设缺陷点为一个空心圆点,则瓶胚上存在气泡;假设缺陷点为一条划线,则瓶胚上存在划痕;假设缺陷点为一个实心圆点,则瓶胚上存在黑点。
S400、对二值图像进行缺陷识别,并标记缺陷坐标,将标记坐标后的二值图像转为预设尺寸的图像,得到的图像设为图像矩阵X,所述预设尺寸的尺寸大小为a1×a1;在一个实施例中,所述预设尺寸的尺寸大小为a1×a1=227×227;不同尺寸大小的图像对应着不同的CNN卷积神经网络设置参数。
S500、对图像矩阵X进行归一化处理,生成第一数据集;对图像矩阵X进行归一化处理,目的是为了将图像数据的范围控制在[-1,1]之间,从而有利于加快卷积神经网络的收敛性。
S600、通过卷积神经网络构建第一模型,可预先设置卷积神经网络的学习率,经测试证明,学习率为0.001时,第一模型的训练效果最佳;将归一化处理后的训练样本数据作为卷积神经网络的输入数据,采用卷积神经网络对输入数据进行运算,记录图片数据的特征,将二维特征图谱转化成一维的向量,并输出检测结果,完成第一模型的构建。
S700、在所述第一数据集上训练第一模型,当达到迭代次数时,训练结束,保存训练完成的第一模型;迭代的次数越多,卷积神经网络的收敛性越好,但所需要耗费的训练时间越长,在一个实施例中,所述迭代次数为20次。
通过对样本数据中的图像进行灰度处理、二值化处理以及归一化处理,再将归一化处理后的图像输入至卷积神经网络中构建第一模型,即在第一数据集上训练第一模型;完成训练的第一模型能够快速准确地识别出瓶胚上是否存在缺陷,提高瓶胚质量检测的效率,从而提高生产效率;取代了传统的人工检测方式,消除了人工判断过程中所存在的主观因素影响,提高瓶胚缺陷检测的正确率。
进一步地,请参阅图2,所述对图像矩阵X进行归一化处理,具体包括步骤:
S501、采用mapminmax函数对图像矩阵X进行归一化处理,所述mapminmax函数为MATLAB中常用的归一化函数;设y为归一化处理后的图像数据,设x为归一化处理前的图像数据的某一个元素,xmax为归一化处理前的图像数据中的最大值,xmin为归一化处理前的图像数据的最小值;
y=(ymax-ymin)×(x-xmin)/(xmax-xmin)+ymin
其中,ymax=1,ymin=-1。
举例说明,假设图像矩阵X=[100 200 300 400 500],x为图像矩阵X中的任一元素,假设x=200,
则y=2×(200-100)/(500-100)+(-1)=-0.5。
进一步地,请参阅图3,所述通过卷积神经网络构建第一模型,具体包括步骤:
S601、所述卷积神经网络结构从输入到输出依次为:输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层和输出层;卷积层和池化层是成对存在的,卷积层和池化层通过数据运算的方式来记录图像数据中的特征;设置多个卷积层和池化层有利于提高训练的效果,但卷积层和池化层的数量越多,卷积神经网络所需要训练时间越长;在一个实施例中,所述卷积层和池化层分别包括五层。
S602、输入层所输入的图像大小与预设尺寸相同,即输入层所输入的图像的尺寸大小为a1×a1,输入层所输入的图像的尺寸大小与CNN卷积神经网络的设置参数相对应。
S603、所述第一卷积层采用b2个尺寸为b3×b3的卷积核,所述第一卷积层以层次b1对图像进行卷积操作,提取图像特征图谱并输出第一特征图谱至第一池化层。
S604、所述第一池化层的比例为c1,所述第一池化层的尺寸为c2×c2,第一池化层对第一特征图谱进行降采样并压缩第一特征图谱的尺寸,所述第一池化层输出第二特征图谱至第二卷积层。
S605、所述第二卷积层采用d2个尺寸为d3×d3的卷积核,所述第二卷积层以层次d1对第二特征图谱进行卷积操作,提取图像特征图谱并输出第三特征图谱至第二池化层。
S606、所述第二池化层的比例为e1,所述第二池化层的尺寸为e2×e2,第二池化层的对第三特征图谱进行降采样并压缩第三特征图谱的尺寸,所述第二池化层输出第四特征图谱至全连接层。
S607、所述全连接层将第二池化层所输出的第四特征图谱转化为一维向量并输出至输出层,所述第二池化层所输出的第四特征图谱为二维特征图谱。
S608、所述输出层输出检测结果,所述检测结果可以是瓶胚上无缺陷、瓶胚上存在气泡、瓶胚上存在划痕或瓶胚上存在黑点。
进一步地,所述第一卷积层、第二卷积层、第一池化层以及第二池化层采用sigmoid函数作为激活函数,所述激活函数用于模拟更细微的变化,避免出现输入数据变化很小,而输出结果截然不同的情况。
进一步地,所述第一卷积层、第二卷积层、第一池化层、第二池化层和全连接层通过权值w、阈值f和隐藏函数实现连接;当进行第一次迭代时,权值w、阈值f是通过随机生成的0-1之间的随机数,通过不断迭代从而改变权值w、阈值f,最后可以得到对应每类缺陷的权值w和阈值f。
进一步地,所述第一卷积层的层次b1=6,卷积核的个数b2=38;所述第二卷积层的层次d1=6,卷积核的个数d2=8;通过改变卷积层的层次以及卷积核的个数,可对卷积神经网络的训练精度进行调整,可根据不同的样本数据的数量来调整卷积层的层次以及卷积核的个数。
进一步地,所述第一池化层的比例c1=2,所述第二池化层的比例e1=2。
进一步地,所述b3=a1-b2+1,所述c2=b3/2,所述d3=c2-d2+1,所述e2=d3/2;在一个实施例中,所述b3=190,所述c2=95,所述d3=88,所述e2=44。
本发明还相应地提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上任一所述的瓶胚缺陷检测模型的训练方法中的步骤。
请参阅图4,本发明还相应地提供了一种终端设备,包括:处理器、存储器以及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序;存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中;存储器作为一种计算机可读存储介质,可设置为存储软件程序、计算机可执行程序,如本公开实施例中的瓶胚缺陷检测模型的训练方法对应的程序指令或模块。
存储器可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器。例如,U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
所述通信总线实现处理器和存储器之间的连接通信;所述处理器执行所述计算机可读程序时,实现如上任一所述的瓶胚缺陷检测模型的训练方法中的步骤。
可以理解的是,对本领域普通技术人员来说,可以根据本发明的技术方案及其发明构思加以等同替换或改变,而所有这些改变或替换都应属于本发明的保护范围。
Claims (5)
1.一种瓶胚缺陷检测模型的训练方法,其特征在于,包括步骤:
获取训练样本数据,所述训练样本数据包括瓶胚的合格图像以及多类缺陷图像;
对图像进行灰度转换,得到灰度图像;
对灰度图像进行灰度统计,得到二值化阈值,根据所述二值化阈值对所述灰度图像进行二值化分割,得到二值图像;
对二值图像进行缺陷识别,并标记缺陷坐标,将标记坐标后的二值图像转为预设尺寸的图像,得到的图像设为图像矩阵X,所述预设尺寸的尺寸大小为a1×a1;
对图像矩阵X进行归一化处理,生成第一数据集;
通过卷积神经网络构建第一模型;
具体的,所述卷积神经网络结构从输入到输出依次为:输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层和输出层;所述第一卷积层、第二卷积层、第一池化层、第二池化层和全连接层通过权值w、阈值f和隐藏函数实现连接;
输入层所输入的图像大小与预设尺寸相同;
所述第一卷积层采用b2个尺寸为b3×b3的卷积核,所述第一卷积层以层次b1对图像进行卷积操作,提取图像特征图谱并输出第一特征图谱至第一池化层;所述第一卷积层的层次b1=6,卷积核的个数b2=38,所述b3=a1-b2+1;
所述第一池化层的比例为c1,所述第一池化层的尺寸为c2×c2,第一池化层对第一特征图谱进行降采样,并输出第二特征图谱至第二卷积层;所述第一池化层的比例c1=2,所述c2=b3/2;
所述第二卷积层采用d2个尺寸为d3×d3的卷积核,所述第二卷积层以层次d1对第二特征图谱进行卷积操作,提取图像特征图谱并输出第三特征图谱至第二池化层;所述第二卷积层的层次d1=6,卷积核的个数d2=8,所述d3=c2-d2+1;
所述第二池化层的比例为e1,所述第二池化层的尺寸为e2×e2,第二池化层对第三特征图谱进行降采样,并输出第四特征图谱至全连接层;所述第二池化层的比例e1=2,所述e2=d3/2;
所述全连接层将第二池化层所输出的第四特征图谱转化为一维向量并输出至输出层;
所述输出层输出检测结果;
在所述第一数据集上训练第一模型,当达到迭代次数时,训练结束,保存训练完成的第一模型。
2.根据权利要求1所述的一种瓶胚缺陷检测模型的训练方法,其特征在于,所述对二值图像进行缺陷识别,并标记缺陷坐标,将标记坐标后的二值图像转为预设尺寸的图像中,所述预设尺寸的尺寸大小为a1×a1=227×227。
3.根据权利要求1所述的一种瓶胚缺陷检测模型的训练方法,其特征在于,所述对图像矩阵X进行归一化处理,具体包括步骤:
采用mapminmax函数对图像矩阵X进行归一化处理,设y为归一化处理后的图像数据,设x为归一化处理前的图像数据的某一个元素,xmax为归一化处理前的图像数据中的最大值,xmin为归一化处理前的图像数据的最小值;
y=(ymax-ymin)×(x-xmin)/(xmax-xmin)+ymin
其中,ymax=1,ymin=-1。
4.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1-3任一项所述的瓶胚缺陷检测模型的训练方法中的步骤。
5.一种终端设备,其特征在于,包括:处理器、存储器以及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序;所述通信总线实现处理器和存储器之间的连接通信;所述处理器执行所述计算机可读程序时,实现如权利要求1-3任一项所述的瓶胚缺陷检测模型的训练方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011374216.6A CN112419291B (zh) | 2020-11-30 | 2020-11-30 | 一种瓶胚缺陷检测模型的训练方法、存储介质及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011374216.6A CN112419291B (zh) | 2020-11-30 | 2020-11-30 | 一种瓶胚缺陷检测模型的训练方法、存储介质及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112419291A CN112419291A (zh) | 2021-02-26 |
CN112419291B true CN112419291B (zh) | 2024-06-04 |
Family
ID=74829001
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011374216.6A Active CN112419291B (zh) | 2020-11-30 | 2020-11-30 | 一种瓶胚缺陷检测模型的训练方法、存储介质及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112419291B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113808087A (zh) * | 2021-09-02 | 2021-12-17 | 上汽通用五菱汽车股份有限公司 | 钢板表面的缺陷管控方法、装置及计算机可读存储介质 |
CN114820497A (zh) * | 2022-04-20 | 2022-07-29 | 深圳市国电科技通信有限公司 | 污渍检测方法、装置、系统及存储介质、电子设备 |
CN115661156B (zh) * | 2022-12-28 | 2023-04-14 | 成都数联云算科技有限公司 | 图像生成方法、装置、存储介质、设备及计算机程序产品 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850858A (zh) * | 2015-05-15 | 2015-08-19 | 华中科技大学 | 一种注塑制品缺陷检测识别方法 |
CN106355579A (zh) * | 2016-09-14 | 2017-01-25 | 南京理工大学 | 烟条表面褶皱的缺陷检测方法 |
CN108074231A (zh) * | 2017-12-18 | 2018-05-25 | 浙江工业大学 | 一种基于卷积神经网络的磁片表面缺陷检测方法 |
CN108631727A (zh) * | 2018-03-26 | 2018-10-09 | 河北工业大学 | 一种基于卷积神经网络的太阳能电池板缺陷识别方法 |
CN110766689A (zh) * | 2019-11-06 | 2020-02-07 | 深圳微品致远信息科技有限公司 | 基于卷积神经网络进行物品图像缺陷检测的方法及装置 |
WO2020173177A1 (zh) * | 2019-02-25 | 2020-09-03 | 研祥智能科技股份有限公司 | 物体色差缺陷检测方法、装置、计算机设备及存储介质 |
CN111833324A (zh) * | 2020-07-09 | 2020-10-27 | 中国计量大学 | 基于深度学习的光纤插芯缺陷检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10697900B2 (en) * | 2018-06-19 | 2020-06-30 | Kla-Tencor Corporation | Correlating SEM and optical images for wafer noise nuisance identification |
-
2020
- 2020-11-30 CN CN202011374216.6A patent/CN112419291B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850858A (zh) * | 2015-05-15 | 2015-08-19 | 华中科技大学 | 一种注塑制品缺陷检测识别方法 |
CN106355579A (zh) * | 2016-09-14 | 2017-01-25 | 南京理工大学 | 烟条表面褶皱的缺陷检测方法 |
CN108074231A (zh) * | 2017-12-18 | 2018-05-25 | 浙江工业大学 | 一种基于卷积神经网络的磁片表面缺陷检测方法 |
CN108631727A (zh) * | 2018-03-26 | 2018-10-09 | 河北工业大学 | 一种基于卷积神经网络的太阳能电池板缺陷识别方法 |
WO2020173177A1 (zh) * | 2019-02-25 | 2020-09-03 | 研祥智能科技股份有限公司 | 物体色差缺陷检测方法、装置、计算机设备及存储介质 |
CN110766689A (zh) * | 2019-11-06 | 2020-02-07 | 深圳微品致远信息科技有限公司 | 基于卷积神经网络进行物品图像缺陷检测的方法及装置 |
CN111833324A (zh) * | 2020-07-09 | 2020-10-27 | 中国计量大学 | 基于深度学习的光纤插芯缺陷检测方法 |
Non-Patent Citations (4)
Title |
---|
基于卷积神经网络的轮胎X射线图像缺陷检测;卞国龙等;《轮胎工业》;20190410;第39卷(第04期);247-251 * |
基于时频域混合分析的太阳能硅片缺陷检测方法;段春梅等;《机床与液压》;20200428;第48卷(第08期);187-192 * |
基于深度学习的化妆品塑料瓶缺陷检测;冯太锐等;《东华大学学报(自然科学版)》;20200417;第46卷(第02期);269-274 * |
基于生成对抗网络的缸盖表面缺陷识别;王铭等;《制造业自动化》;20201118;第42卷(第11期);96-102 * |
Also Published As
Publication number | Publication date |
---|---|
CN112419291A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112419291B (zh) | 一种瓶胚缺陷检测模型的训练方法、存储介质及终端设备 | |
CN111815601B (zh) | 一种基于深度卷积自编码器的纹理图像表面缺陷检测方法 | |
CN110570396B (zh) | 一种基于深度学习的工业产品缺陷检测方法 | |
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN105957086B (zh) | 一种基于优化神经网络模型的遥感图像变化检测方法 | |
CN111582294B (zh) | 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用 | |
CN112037219A (zh) | 一种基于两阶段卷积神经网络的金属表面缺陷检测方法 | |
CN112990391A (zh) | 基于特征融合的卷积神经网络的缺陷分类识别系统 | |
CN113083804A (zh) | 激光智能除锈方法、系统及可存读介质 | |
CN110660046A (zh) | 基于轻量级深度神经网络的工业产品缺陷图像分类方法 | |
CN114235837A (zh) | 基于机器视觉的led封装表面缺陷检测方法、装置、介质及设备 | |
CN112132196A (zh) | 一种结合深度学习和图像处理的烟盒缺陷识别方法 | |
CN115035092A (zh) | 基于图像的瓶体检测方法、装置、设备及存储介质 | |
CN113256624A (zh) | 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质 | |
CN106645180A (zh) | 检查基板玻璃缺陷的方法、现场终端及服务器 | |
CN107067399A (zh) | 一种试卷图像分割处理方法 | |
CN112967271B (zh) | 一种基于改进DeepLabv3+网络模型的铸件表面缺陷识别方法 | |
CN107066939A (zh) | 一种网上阅卷系统的试卷切割处理方法 | |
CN106997590A (zh) | 一种基于检测产品特性的图像处理与检测系统 | |
CN117197146A (zh) | 一种铸件内部缺陷自动识别方法 | |
CN116642897A (zh) | 一种航空零部件涂层外观缺陷检测系统 | |
CN115661126A (zh) | 一种基于改进YOLOv5算法的带钢表面缺陷检测方法 | |
CN114548250A (zh) | 一种基于数据分析的手机外观检测方法及装置 | |
CN107045635A (zh) | 一种网上阅卷系统的试卷图像分页分题处理方法 | |
CN113516193A (zh) | 基于图像处理的红枣缺陷识别分类方法及装置 |
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 |