CN113689381B - 波纹管内壁瑕疵检测模型及检测方法 - Google Patents
波纹管内壁瑕疵检测模型及检测方法 Download PDFInfo
- Publication number
- CN113689381B CN113689381B CN202110822321.XA CN202110822321A CN113689381B CN 113689381 B CN113689381 B CN 113689381B CN 202110822321 A CN202110822321 A CN 202110822321A CN 113689381 B CN113689381 B CN 113689381B
- Authority
- CN
- China
- Prior art keywords
- flaw
- detection model
- flaw detection
- training
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 137
- 238000010586 diagram Methods 0.000 claims abstract description 14
- 238000011176 pooling Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 50
- 238000000034 method Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract description 4
- 239000000446 fuel Substances 0.000 abstract description 4
- 230000007547 defect Effects 0.000 description 17
- 238000000605 extraction Methods 0.000 description 9
- 230000011218 segmentation Effects 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000016776 visual perception Effects 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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
Abstract
本申请公开了一种波纹管内壁瑕疵检测模型及检测方法。该模型可以包括:基础网络,包括多个卷积层,用于提取图像中的特征信息;自适应平均池化层,针对特征信息进行缩放,获得缩放特征图;权重层,用于通过高斯分布拟合缩放特征图中像素点对应的权值;多头注意力模块,用于通过特征信息,确定多维权重并与特征信息点乘;分类网络,针对权重层与多头注意力模块的输出结果级联后进行块级分类,获得n*n的二值图,判断二值图是否含有瑕疵,确定瑕疵位置,输出瑕疵判断结果。本发明提高了对航天燃料波纹管内壁瑕疵的检测精度,对瑕疵频繁出现的位置增加权重,提取更加丰富的特征,提高了分块的分类精度,降低了模型的误检率和漏检率。
Description
技术领域
本发明涉及工业瑕疵检测领域,更具体地,涉及一种波纹管内壁瑕疵检测模型及检测方法。
背景技术
近年来,随着深度学习技术的蓬勃发展,计算机视觉取得了巨大的突破,越来越多的视觉感知算法被应用于工业界的检查作业中,代替人眼进行工业产品表面瑕疵或缺陷的检测。现有的基于深度学习的瑕疵检测算法大多是基于目标检测算法和语义分割算法。其中目标检测方法只得到瑕疵的位置和大小,无法感知瑕疵的形状,需要较多的数据监督训练,否则会出现较为严重的漏检情况。而语义分割方法可以得到瑕疵整体的位置和形状信息,但是其逐像素分类的特性且部分瑕疵与背景部分相像这一普遍情况会导致较多误检情况,增加了图像的标注成本。同时不同制造工艺制造出的工业产品,其本身具有的属性各不相同,不可能出现一种泛用的算法处理所有的工业产品瑕疵检测,不同产品需要开发一种对应的瑕疵检测算法。但是由于基于计算机视觉的瑕疵检测可以通过检测自动化或辅助肉眼检测减轻瑕疵检测工作的繁重程度,因此瑕疵检测算法备受工业界青睐。
现存的瑕疵检测方法主要基于目标检测和语义分割两类。其中基于语义分割的算法较多,比如一种基于语义分割的瑕疵检测算法,该算法先将图像放缩到各个不同的尺度,再将图像输入到构建对应于不同尺度图像的网络中,将不同尺度图像得到的结果进行融合,再输入到一个新的网络中得到最终的分割结果,这种方法使用了较大的网络结构,计算速度较慢,但是解决了不同尺度的瑕疵检测问题。而一种基于目标检测的高铁线路紧固件瑕疵检测算法结合了SSD、YOLO等经典目标检测算法构建了一个从粗略到精细的级联瑕疵检测模型,实现对瑕疵的定位到分类这一过程。一种将两者结合的金属表面瑕疵检测方法,先通过一次分割算法将瑕疵粗略地分割出来,再对粗略的分割结果进行一次检测,检测得到含有瑕疵可能性较高的区域,得到了比较精准的缺陷分布位置,再对这些位置实施一次分割算法并进行平滑,得到更加精细的分割结果。
但是这些算法并不适用于航天燃料波纹管内壁瑕疵检测。波纹管内壁瑕疵大多是尺度较小的小目标,这种小目标在整张图像中只占有较小的区域,使用语义分割网络难以将其捕捉。又因为小目标检测任务在目标检测中也是属于难度较大、精度较低的一类任务,使用目标检测算法也很难检测到面积很小的波纹管瑕疵。同时由于波纹管内壁波纹起伏,具有大量的阴影面积,像素级的语义分割很容易将阴影部分归为瑕疵,出现误检情况。由此可见,航天燃料波纹管内壁瑕疵检测在工业产品表面瑕疵检测领域内也是一个相当棘手的问题。
因此,有必要开发一种基于深度学习的波纹管内壁瑕疵检测模型及检测方法。
公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明提出了一种基于深度学习的波纹管内壁瑕疵检测模型及检测方法,提高了对航天燃料波纹管内壁瑕疵的检测精度,对瑕疵频繁出现的位置增加权重,提取更加丰富的特征,提高了分块的分类精度,降低了模型的误检率和漏检率。
根据本发明的一方面,提出了一种基于深度学习的波纹管内壁瑕疵检测模型,其特征在于,该系统包括:
基础网络,包括多个卷积层,用于提取图像中的特征信息;
自适应平均池化层,针对所述特征信息进行缩放,获得缩放特征图;
权重层,用于通过高斯分布拟合所述缩放特征图中像素点对应的权值;
多头注意力模块,用于通过所述特征信息,确定多维权重并与所述特征信息点乘;
分类网络,针对所述权重层与所述多头注意力模块的输出结果级联后进行块级分类,获得n*n的二值图,判断所述二值图是否含有瑕疵,确定瑕疵位置,输出瑕疵判断结果。
优选地,所述基础网络采用vgg16网络的全卷积部分,每个卷积层后跟随一个批标准化层和激活层。
优选地,将所述基础网络的多个卷积层中的至少一个卷积层的步长设置为2。
优选地,通过高斯分布拟合所述缩放特征图中像素点对应的权值包括:
确定瑕疵中心位置的分布情况;
针对瑕疵中心位置的分布情况进行高斯分布拟合,得到所述缩放特征图中像素点对应的权值。
优选地,所述缩放特征图中像素点对应的权值为:
其中,V为像素点对应的权值大小,d为像素点到瑕疵中心位置的距离,μ与σ分别为均值与方差。
根据本发明的另一方面,提出了一种检测方法,所述方法可以包括:
训练瑕疵检测模型,获得最终瑕疵检测模型;
通过最终瑕疵检测模型对目标图像进行检测,对所述目标图像进行块级分类,获得n*n的二值图,判断所述二值图是否含有瑕疵,确定瑕疵位置,输出瑕疵判断结果。
优选地,训练瑕疵检测模型,获得最终瑕疵检测模型包括:
在训练集上训练瑕疵检测模型,直到所述瑕疵检测模型收敛,获得最终瑕疵检测模型。
优选地,在训练集上训练所述瑕疵检测模型为:
在训练集上通过反向传播训练所述瑕疵检测模型。
优选地,在训练集上通过反向传播训练所述瑕疵检测模型包括:
将所述基础网络在分类任务中进行预训练;
将预训练的基础网络去除最后的全连接输出层,与后续的瑕疵检测模型相连,继续在所述训练集上进行微调训练。
优选地,还包括:
针对所述目标图像进行预处理,将所述目标图像进行尺寸缩放与归一化。
其有益效果在于:
(1)通过统计大量的瑕疵中心位置分布情况,设置了满足瑕疵中心位置分布的高斯分布权重图,将图像经过特征提取网络得到的特征图使用人工设置的权值进行加权,提高了网络对于瑕疵频繁出现位置的感受能力,以此降低网络对瑕疵的漏检率;
(2)使用多头注意力模块,将提取的特征送到人工权值模块的同时送到该模块中,增强了网络对于不同形状、不同尺度的瑕疵的特征提取能力,因而提升了整个模型的检测召回率,降低了瑕疵检测的漏检率;
(3)采用结构较小的vgg16网络作为特征提取网络,该网络在具有较强特征提取能力的同时具有较快的推理速度;
(4)通过自适应平均池化将特征提取网络中得到的较大特征图进行缩小,降低了后续推理任务中的计算量,降低了该部分网络的计算时间,满足工业界所需要的实时推理功能。
本发明的方法和装置具有其它的特性和优点,这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的,或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述,这些附图和具体实施方式共同用于解释本发明的特定原理。
附图说明
通过结合附图对本发明示例性实施例进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显,其中,在本发明示例性实施例中,相同的参考标号通常代表相同部件。
图1示出了根据本发明的一个实施例的波纹管瑕疵标签示意图。
图2示出了根据本发明的一个实施例的瑕疵检测模型结构的示意图。
图3示出了根据本发明的一个实施例的人工权值拟合的示意图。
图4示出了根据本发明的一个实施例的检测结果的示意图。
具体实施方式
下面将更详细地描述本发明的优选实施方式。虽然以下描述了本发明的优选实施方式,然而应该理解,可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。
由于波纹管内壁瑕疵种类繁多、形状复杂,有些瑕疵无法与背景分离,同时波纹管内壁起伏不断、阴影面积大,传统的视觉方法对于波纹管瑕疵检测不能适用。因此本发明将采集得到的波纹管图像划分成n*n的小块,根据这些小图像块中是否含有瑕疵将原图标注成大小为n*n的二值图,其中标注为1表示该小图像块中含有瑕疵,标注为0表示小图像块中不含瑕疵。基于该二值图,本发明设计了分块分类网络,网络不同于传统的语义分割任务输出图像大小的检测结果,而是输出n*n块小图像块的分类结作为最终的检测结果,得到瑕疵的位置,满足波纹管瑕疵检测的精度需求。
本发明提供一种基于深度学习的波纹管内壁瑕疵检测模型,包括:
基础网络,包括多个卷积层,用于提取图像中的特征信息;
自适应平均池化层,针对特征信息进行缩放,获得缩放特征图;
权重层,用于通过高斯分布拟合缩放特征图中像素点对应的权值;
多头注意力模块,用于通过特征信息,确定多维权重并与特征信息点乘;
分类网络,针对权重层与多头注意力模块的输出结果级联后进行块级分类,获得n*n的二值图,判断二值图是否含有瑕疵,确定瑕疵位置,输出瑕疵判断结果。
在一个示例中,基础网络采用vgg16网络的全卷积部分,每个卷积层后跟随一个批标准化层和激活层。
在一个示例中,将基础网络的多个卷积层中的至少一个卷积层的步长设置为2。
在一个示例中,通过高斯分布拟合缩放特征图中像素点对应的权值包括:
确定瑕疵中心位置的分布情况;
针对瑕疵中心位置的分布情况进行高斯分布拟合,得到缩放特征图中像素点对应的权值。
在一个示例中,缩放特征图中像素点对应的权值为:
其中,V为像素点对应的权值大小,d为像素点到瑕疵中心位置的距离,μ与σ分别为均值与方差。
具体地,瑕疵检测可以采用像素级的二值图像分割,但是考虑到波纹管瑕疵的形状与大小变化丰富、参差不齐并且有些絮状物以及无法与背景分离的瑕疵无法进行标注,因此将原有的像素级分类转化为粒度较粗的块级分类,将语义分割的像素级细粒度调整为一小块图像级的粗粒度,针对某小块图像中是否有瑕疵进行检测,提高了波纹管瑕疵检测的精度。
图1示出了根据本发明的一个实施例的波纹管瑕疵标签示意图。
本发明的瑕疵检测模型使用一种n*n的二值图监督训练,训练使用的波纹管瑕疵标签如图1所示,从左到右依次为原图、16*16标注、8*8标注、4*4标注,其中白色部分为含有瑕疵的部分,黑色部分为不含瑕疵的背景部分。通过使用分块分类的思想,将原有的目标检测问题转化为了一类二值块级语义分割问题,同时提高了网络的检测精度。
图2示出了根据本发明的一个实施例的瑕疵检测模型结构的示意图。
本发明的瑕疵检测模型结构如图2所示,其中基础网络采用vgg16网络的全卷积部分,该部分中包含多个卷积层,每个卷积层后跟随一个批标准化层和激活层,vgg16网络中的全卷积部分可以充分提取图像中的特征信息,同时保证了较快的推理速度。
考虑到vgg16网络中对特征图进行下采样时采用的最大值池化层会极大地损失图像的一些细节信息,对于大量的小瑕疵定位极为不利,本发明通过将部分卷积层的步长设置为2代替了最大值池化部分,在不损失较多细节的同时,保证了网络模型的推理速度,在最后的分类网络中也采用了相同的处理。
在基础网络结束后,跟随一个自适应平均池化层,该层网络可以将基础网络部分得到的特征图进行缩放,得到规模较小且大小固定的特征图在提高后续推理速度的同时保证了后续网络可以正常输出n*n大小的检测结果。
之后网络得到的特征图会同时经过权重层与多头注意力模块,该部分提高了网络的特征提取能力以及网络对于瑕疵的感受能力。在最后的分类网络中,针对权重层与多头注意力模块的输出结果级联后进行块级分类,获得n*n的二值图,判断二值图是否含有瑕疵,确定瑕疵位置,输出n*n的瑕疵判断结果。
考虑到瑕疵的形状、规模以及位置具有较高的多变性,这增加了瑕疵检测的难度,提高瑕疵检测模型的漏检率。为了降低模型检测的漏检率,本发明引入人工权值以及多头注意力两个不同的模块,提高了模型对于不同形状瑕疵以及频繁出现瑕疵位置处的感受能力。
图3示出了根据本发明的一个实施例的人工权值拟合的示意图。
其中权值层的拟合图如图3,由于波纹管的中间部分是一个空洞,瑕疵总是分布在四周部分。根据这一特性,统计瑕疵中心位置的分布情况,对分布情况使用高斯分布进行拟合,得到缩放特征图中像素点对应的权值为公式(1),提高了模型对图像特定区域内瑕疵的感受能力,降低模型的漏检率。
多头注意力模块中使用基础网络得到的特征图,学习一个多维的权重并与原始特征图点乘,提高了网络模型对于不同维度上的局部信息提取能力。
通过上述两个模块的输出结果进行级联后得到的特征图进行块级分类,获得n*n的二值图,对二值图进行卷积与下采样,判断二值图是否含有瑕疵,确定瑕疵位置,输出n*n的瑕疵判断结果。这种设计的分类网络推理速度较快,可以满足实际检测环境中的实时性要求。
本发明提供一种检测方法,包括:
训练瑕疵检测模型,获得最终瑕疵检测模型;
通过最终瑕疵检测模型对目标图像进行检测,对目标图像进行块级分类,获得n*n的二值图,判断二值图是否含有瑕疵,确定瑕疵位置,输出瑕疵判断结果。
在一个示例中,训练瑕疵检测模型,获得最终瑕疵检测模型包括:
在训练集上训练瑕疵检测模型,直到瑕疵检测模型收敛,获得最终瑕疵检测模型。
在一个示例中,在训练集上训练瑕疵检测模型为:
在训练集上通过反向传播训练瑕疵检测模型。
在一个示例中,在训练集上通过反向传播训练瑕疵检测模型包括:
将基础网络在分类任务中进行预训练;
将预训练的基础网络去除最后的全连接输出层,与后续的瑕疵检测模型相连,继续在训练集上进行微调训练。
在一个示例中,还包括:
针对目标图像进行预处理,将目标图像进行尺寸缩放与归一化。
具体地,采用随机梯度下降(SGD)法来优化瑕疵检测模型,分两步训练瑕疵检测模型:
首先将基础网络vgg16在分类任务中进行预训练,比如可以在ImageNet图像分类挑战中进行充分训练,这样可以使得基础网络部分能够充分学习图像的基本视觉特征;
然后再利用预训练好的基础网络vgg16抛弃最后的全连接输出层,与后续的瑕疵检测模型相连,继续在处理好的数据集上进行微调训练,由于瑕疵检测模型本质上是一种粗粒度的语义分割网络,需要考虑过拟合问题,因此在微调训练时需要适当减少训练次数。由于微调训练次数较少,在微调训练过程中,每次迭代都需要在验证集上测试模型的精度,保存精度最佳模型作为训练的结果。
在波纹管内壁瑕疵检测中,由于大多数瑕疵很小,必须使用较大尺寸的图像进行推理。将训练好的模型用于实际瑕疵检测时需要先对图像进行预处理,先将图像尺寸缩放,然后将图像归一化到零均值、方差为1。将预处理后的图像输入到瑕疵检测模型中进行前向传播推理,得到最后n*n的检测结果。
实施例1
为便于理解本发明实施例的方案及其效果,以下给出一个具体应用示例。本领域技术人员应理解,该示例仅为了便于理解本发明,其任何具体细节并非意在以任何方式限制本发明。
本发明的瑕疵检测模型使用一种n*n的二值图监督训练,训练使用的波纹管瑕疵标签如图1所示,从左到右依次为原图、16*16标注、8*8标注、4*4标注,其中白色部分为含有瑕疵的部分,黑色部分为不含瑕疵的背景部分。通过使用分块分类的思想,将原有的目标检测问题转化为了一类二值块级语义分割问题,同时提高了网络的检测精度。
本发明的瑕疵检测模型结构如图2所示,其中基础网络采用vgg16网络的全卷积部分,该部分中包含13个卷积层,每个卷积层后跟随一个批标准化层和激活层,vgg16网络中的全卷积部分可以充分提取图像中的特征信息,同时保证了较快的推理速度。
考虑到vgg16网络中对特征图进行下采样时采用的最大值池化层会极大地损失图像的一些细节信息,对于大量的小瑕疵定位极为不利,本发明通过将部分卷积层的步长设置为2代替了最大值池化部分,在不损失较多细节的同时,保证了网络模型的推理速度,在最后的分类网络中也采用了相同的处理。
在基础网络结束后,跟随一个自适应平均池化层,该层网络可以将基础网络部分得到的特征图进行缩放,得到规模较小且大小固定的特征图在提高后续推理速度的同时保证了后续网络可以正常输出n*n大小的检测结果。
之后网络得到的特征图会同时经过权重层与多头注意力模块,该部分提高了网络的特征提取能力以及网络对于瑕疵的感受能力。在最后的分类网络中,将会输出n*n的检测结果。
考虑到瑕疵的形状、规模以及位置具有较高的多变性,这增加了瑕疵检测的难度,提高瑕疵检测模型的漏检率。为了降低模型检测的漏检率,本发明引入人工权值以及多头注意力两个不同的模块,提高了模型对于不同形状瑕疵以及频繁出现瑕疵位置处的感受能力。
其中权值层的拟合图如图3,由于波纹管的中间部分是一个空洞,瑕疵总是分布在四周部分。根据这一特性,统计瑕疵中心位置的分布情况,对分布情况使用高斯分布进行拟合,得到缩放特征图中像素点对应的权值为公式(1),拟合的结果为μ=0.3347,σ=0.1504。
多头注意力模块中使用基础网络得到的特征图,学习一个多维的权重并与原始特征图点乘,提高了网络模型对于不同维度上的局部信息提取能力。
通过上述两个模块的输出结果进行级联后得到的特征图进行瑕疵检测,对得到的特征图进行卷积与下采样得到了最终n*n的检测结果。这里本发明设置n=8,经过自适应平均池化层时,特征图的尺寸改变为32,经过四层步长为2的卷积层后,便可以得到最终的检测结果,这种设计的分类网络推理速度较快,可以满足实际检测环境中的实时性要求。
采用随机梯度下降(SGD)法来优化瑕疵检测模型,分两步训练瑕疵检测模型:
首先将基础网络vgg16在分类任务中进行预训练,比如可以在ImageNet图像分类挑战中进行充分训练,这样可以使得基础网络部分能够充分学习图像的基本视觉特征;
然后再利用预训练好的基础网络vgg16抛弃最后的全连接输出层,与后续的瑕疵检测模型相连,继续在处理好的数据集上进行微调训练,由于瑕疵检测模型本质上是一种粗粒度的语义分割网络,需要考虑过拟合问题,因此在微调训练时需要适当减少训练次数。由于微调训练次数较少,在微调训练过程中,每次迭代都需要在验证集上测试模型的精度,保存精度最佳模型作为训练的结果。
图4示出了根据本发明的一个实施例的检测结果的示意图。
在波纹管内壁瑕疵检测中,由于大多数瑕疵很小,必须使用较大尺寸的图像进行推理。将训练好的模型用于实际瑕疵检测时需要先对图像进行预处理,先将图像尺寸缩放到752*576,然后将图像归一化到零均值方差为1。将预处理后的图像输入到瑕疵检测模型中进行前向传播推理,得到最后n*n的检测结果,检测结果如图4所示。
本领域技术人员应理解,上面对本发明的实施例的描述的目的仅为了示例性地说明本发明的实施例的有益效果,并不意在将本发明的实施例限制于所给出的任何示例。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。
Claims (8)
1.一种波纹管内壁瑕疵检测模型,其特征在于,包括:
基础网络,包括多个卷积层,用于提取图像中的特征信息;
自适应平均池化层,针对所述特征信息进行缩放,获得缩放特征图;
权重层,用于通过高斯分布拟合所述缩放特征图中像素点对应的权值;
多头注意力模块,用于通过所述特征信息,确定多维权重并与所述特征信息点乘;
分类网络,针对所述权重层与所述多头注意力模块的输出结果级联后进行块级分类,获得n*n的二值图,判断所述二值图是否含有瑕疵,确定瑕疵位置,输出瑕疵判断结果;
其中,通过高斯分布拟合所述缩放特征图中像素点对应的权值包括:
确定瑕疵中心位置的分布情况;
针对瑕疵中心位置的分布情况进行高斯分布拟合,得到所述缩放特征图中像素点对应的权值;
其中,所述缩放特征图中像素点对应的权值为:
其中,V为像素点对应的权值大小,d为像素点到瑕疵中心位置的距离,μ与σ分别为均值与方差。
2.根据权利要求1所述的波纹管内壁瑕疵检测模型,其中,所述基础网络采用vgg16网络的全卷积部分,每个卷积层后跟随一个批标准化层和激活层。
3.根据权利要求1所述的波纹管内壁瑕疵检测模型,其中,将所述基础网络的多个卷积层中的至少一个卷积层的步长设置为2。
4.一种基于权利要求1-3中任意一项所述波纹管内壁瑕疵检测模型的检测方法,其特征在于,包括:
训练瑕疵检测模型,获得最终瑕疵检测模型;
通过最终瑕疵检测模型对目标图像进行检测,对所述目标图像进行块级分类,获得n*n的二值图,判断所述二值图是否含有瑕疵,确定瑕疵位置,输出瑕疵判断结果。
5.根据权利要求4所述的检测方法,其中,训练瑕疵检测模型,获得最终瑕疵检测模型包括:
在训练集上训练瑕疵检测模型,直到所述瑕疵检测模型收敛,获得最终瑕疵检测模型。
6.根据权利要求5所述的检测方法,其中,在训练集上训练所述瑕疵检测模型为:
在训练集上通过反向传播训练所述瑕疵检测模型。
7.根据权利要求6所述的检测方法,其中,在训练集上通过反向传播训练所述瑕疵检测模型包括:
将所述基础网络在分类任务中进行预训练;
将预训练的基础网络去除最后的全连接输出层,与后续的瑕疵检测模型相连,继续在所述训练集上进行微调训练。
8.根据权利要求4所述的检测方法,其中,还包括:
针对所述目标图像进行预处理,将所述目标图像进行尺寸缩放与归一化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110822321.XA CN113689381B (zh) | 2021-07-21 | 2021-07-21 | 波纹管内壁瑕疵检测模型及检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110822321.XA CN113689381B (zh) | 2021-07-21 | 2021-07-21 | 波纹管内壁瑕疵检测模型及检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113689381A CN113689381A (zh) | 2021-11-23 |
CN113689381B true CN113689381B (zh) | 2024-02-27 |
Family
ID=78577569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110822321.XA Active CN113689381B (zh) | 2021-07-21 | 2021-07-21 | 波纹管内壁瑕疵检测模型及检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113689381B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008028893A1 (en) * | 2006-09-07 | 2008-03-13 | Unilever Plc | Method of measuring blemishes on skin |
CN102879401A (zh) * | 2012-09-07 | 2013-01-16 | 西安工程大学 | 基于模式识别和图像处理的纺织品瑕疵自动检测及分类方法 |
EP3239928A1 (en) * | 2016-04-27 | 2017-11-01 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and program |
CN109509187A (zh) * | 2018-11-05 | 2019-03-22 | 中山大学 | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 |
CN109615609A (zh) * | 2018-11-15 | 2019-04-12 | 北京航天自动控制研究所 | 一种基于深度学习的焊点瑕疵检测方法 |
WO2019095118A1 (zh) * | 2017-11-14 | 2019-05-23 | 深圳和而泰智能控制股份有限公司 | 一种皮肤瑕疵点分类方法及电子设备 |
CN109978890A (zh) * | 2019-02-25 | 2019-07-05 | 平安科技(深圳)有限公司 | 基于图像处理的目标提取方法、装置及终端设备 |
CN110443830A (zh) * | 2019-08-14 | 2019-11-12 | 大连海事大学 | 一种基于混合高斯背景模型的降水云团检测方法 |
CN111767919A (zh) * | 2020-04-10 | 2020-10-13 | 福建电子口岸股份有限公司 | 一种多层双向特征提取与融合的目标检测方法 |
CN112308854A (zh) * | 2020-11-26 | 2021-02-02 | 武汉工程大学 | 一种芯片表面瑕疵的自动检测方法、系统及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108734211B (zh) * | 2018-05-17 | 2019-12-24 | 腾讯科技(深圳)有限公司 | 图像处理的方法和装置 |
-
2021
- 2021-07-21 CN CN202110822321.XA patent/CN113689381B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008028893A1 (en) * | 2006-09-07 | 2008-03-13 | Unilever Plc | Method of measuring blemishes on skin |
CN102879401A (zh) * | 2012-09-07 | 2013-01-16 | 西安工程大学 | 基于模式识别和图像处理的纺织品瑕疵自动检测及分类方法 |
EP3239928A1 (en) * | 2016-04-27 | 2017-11-01 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, and program |
WO2019095118A1 (zh) * | 2017-11-14 | 2019-05-23 | 深圳和而泰智能控制股份有限公司 | 一种皮肤瑕疵点分类方法及电子设备 |
CN109509187A (zh) * | 2018-11-05 | 2019-03-22 | 中山大学 | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 |
CN109615609A (zh) * | 2018-11-15 | 2019-04-12 | 北京航天自动控制研究所 | 一种基于深度学习的焊点瑕疵检测方法 |
CN109978890A (zh) * | 2019-02-25 | 2019-07-05 | 平安科技(深圳)有限公司 | 基于图像处理的目标提取方法、装置及终端设备 |
CN110443830A (zh) * | 2019-08-14 | 2019-11-12 | 大连海事大学 | 一种基于混合高斯背景模型的降水云团检测方法 |
CN111767919A (zh) * | 2020-04-10 | 2020-10-13 | 福建电子口岸股份有限公司 | 一种多层双向特征提取与融合的目标检测方法 |
CN112308854A (zh) * | 2020-11-26 | 2021-02-02 | 武汉工程大学 | 一种芯片表面瑕疵的自动检测方法、系统及电子设备 |
Non-Patent Citations (3)
Title |
---|
基于注意力机制和特征融合改进的小目标检测算法;麻森权;周克;;计算机应用与软件(第05期);全文 * |
基于红外热点的电力缺陷检测方法;张福;张建刚;李庭坚;罗望春;莫兵兵;余德泉;李翔;姜诚;陈佳乐;;电网与清洁能源(第03期);全文 * |
无人机影像中绝缘子的自动检测;杨罡;张娜;晋涛;王大伟;;科技创新导报(第24期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113689381A (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898610B (zh) | 一种基于mask-RCNN的物体轮廓提取方法 | |
CN108154192B (zh) | 基于多尺度卷积与特征融合的高分辨sar地物分类方法 | |
CN103593670B (zh) | 一种基于在线序列极限学习机的铜板带表面缺陷检测方法 | |
CN107451565B (zh) | 一种半监督小样本深度学习图像模式分类识别方法 | |
CN114820773B (zh) | 基于计算机视觉的筒仓运输车辆车厢位置检测方法 | |
CN112241679B (zh) | 一种垃圾自动分类的方法 | |
CN109165658B (zh) | 一种基于Faster-RCNN的强负样本水下目标检测方法 | |
CN109801305B (zh) | 基于深度胶囊网络的sar图像变化检测方法 | |
CN113221956B (zh) | 基于改进的多尺度深度模型的目标识别方法及装置 | |
CN113222982A (zh) | 基于改进的yolo网络的晶圆表面缺陷检测方法及系统 | |
CN113516619B (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
Asriny et al. | Orange fruit images classification using convolutional neural networks | |
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 | |
CN114255212A (zh) | 一种基于cnn的fpc表面缺陷检测方法及其系统 | |
CN115147418B (zh) | 缺陷检测模型的压缩训练方法和装置 | |
CN114612472A (zh) | 一种基于SegNet改进的皮革缺陷分割网络算法 | |
CN116012291A (zh) | 工业零件图像缺陷检测方法及系统、电子设备和存储介质 | |
Lin et al. | Determination of the varieties of rice kernels based on machine vision and deep learning technology | |
CN115775236A (zh) | 基于多尺度特征融合的表面微小缺陷视觉检测方法及系统 | |
Pratama et al. | Deep convolutional neural network for hand sign language recognition using model E | |
CN110674822A (zh) | 一种基于特征降维的手写数字识别方法 | |
CN114067171A (zh) | 一种克服小数据训练集的图像识别精度提升方法及系统 | |
CN113689381B (zh) | 波纹管内壁瑕疵检测模型及检测方法 | |
CN113963272A (zh) | 一种基于改进yolov3的无人机图像目标检测方法 | |
CN113191361A (zh) | 一种形状识别方法 |
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 |