一种基于深度卷积神经网络的五金件缺陷分类识别方法技术

一种基于深度卷积神经网络的五金件缺陷分类识别方法，包括以下步骤；建立网络，构造一个深度卷积神经网络；训练网络，将采集到的图像分为两大类，即训练集和测试集，所述训练集占采集到图像总数的70％，所述测试集占采集到图像总数的30％；缺陷识别，将测试集中的五金件图像输入已经训练好的网络，查看输出结果，将识别结果与图像的标签进行对照，统计正确识别率和错误识别率。本算法中使用深度卷积神经网络，省去了复杂的图像处理算法，通过增加网络深度，提取到缺陷更加抽象的特征，使不同缺陷类别间具有更强的可区分性，识别率更高。

A method for classification and recognition of hardware defects based on deep convolution neural network

A deep convolutional neural network hardware defect classification and recognition method based on, which comprises the following steps; establishing the network structure of a convolutional neural network; neural network, image acquisition is divided into two categories, namely the training set and test set, the training set accounted for 70% of the total number of the collected images, the the test set accounted for 30% of the total number of the collected image; defect recognition, hardware image input test set will have the trained network, check the output results, identification results and image label control, statistical recognition rate and error recognition rate. In this algorithm, deep convolution neural network is used, which eliminates complex image processing algorithms. By increasing the network depth, we extract the more abstract features of the defects, and make the different defect classes more discriminative, and the recognition rate is higher.

【技术实现步骤摘要】
一种基于深度卷积神经网络的五金件缺陷分类识别方法
本专利技术涉及基于人工智能的图像处理
，尤其涉及一种基于深度卷积神经网络的五金件缺陷分类识别方法。
技术介绍
机器视觉又称计算机视觉，是研究使用相机以及计算机分别模仿人眼和大脑，以便用机器代替人做检测和判断，完成目标识别及工业检测等任务的科学。机器视觉技术集合了数字图像处理、人工智能、计算机图形学等多学科的一门应用型技术学科，在自动化生产中应用广泛。近年来，随着计算机技术的进步和神经网络理论的不断完善，推动了计算机视觉的快速发展。我国机器视觉行业迅速发展，在自动化生产检测领域中占据十分重要的地位。由于五金件具有易于成型、质量轻、材料易于获得、适合大批量生产等优点，在家电、机械、化工、航空等领域运用十分广泛。随着五金件的应用越来越广，快速成型加工技术的发展越来越快，人们对五金件的质量的要求也越来越高。五金件的质量主要有尺寸、外观等方面的要求。外观是保证五金件质量的一个重要环节，而实际生产中通常采用人工检测的方式进行。人工检测方式效率低下、自动化程度不高，其准确率往往与检测人员的工作经验和态度有关。目前，五金件产品生产企业越来越注重提高生产自动化水平，对生产效率的要求越来越高，人工检测方式越来越不能满足需求。此外，在生产加工过程中，由于原料物性参数变化、工艺参数不合理及加工机械性能不良等因素，五金制品会出现碰伤、砂眼、刮伤、缺料、变形、麻点、油污等等表面缺陷。这些表面缺陷不仅会破坏五金制品的外观，而且会影响其性能导致无法使用。当前五金制品的表面缺陷检测与识别主要以人工方式为主，效率不高、自动化程度低。机器视觉技术的发展和广泛应用恰恰可以解决上述问题。基于机器视觉技术的检测系统与人工检测方式相比主要有以下优点：(1)精度高机器视觉系统的测量精度可达到0.01mm精度级，远远高于受物理条件限制的人类视觉。(2)重复性机器视觉系统可以高效、准确地重复完成检测任务，不会像检测人员一样感到疲劳。而人眼在重复检查产品时会因为各种因素的影响而感到细微不同，影响准确率。(3)实时性机器视觉系统使用计算机高效地进行图像采集、存储和处理。系统自动进行图像数据的传输，可实时反应生产现场的状况。(4)非接触性机器视觉系统在检测时不必与工件接触，因此一般不会造成工件变形而产生不利影响。此外，系统可以替代检测人员在有毒、高温等恶劣环境下工作。(5)成本低机器视觉系统可长时间、不间断地进行作业，能够完成相当于多个检测人员的任务。而如今人工成本越来越高，机器视觉系统能够大幅地降低生产成本。人工神经网络是生物神经网络在某种简化意义下的技术复现，作为一门学科，它的主要任务是根据生物神经网络的原理和实际应用的需要建造实用的人工神经网络，设计相应的学习算法，模拟人脑的某种智能活动，然后在技术上实现出来用以解决实际问题。在计算机视觉方面的应用也比较多，主要用来将提取到的缺陷进行分类识别。传统缺陷检测识别算法的简要流程图如图1所示。其首先需要对输入图像进行图像处理以将缺陷区域从图像中分割出来。然后对各种缺陷特征进行分析并选择合适的、区分度较高的特征。紧接着进行特征的人工提取，并将这些提取的特征输入BP神经网络或SVM(支持向量机)等常用分类器进行分类，最后在输出端给出分类识别结果。由此可见，上述传统的缺陷识别算法非常依赖缺陷区域分割的准确程度，并且需要人工地选择并提取缺陷特征。然而对于本文的五金件制品图像来说，由于其存在比较严重的噪声干扰，缺陷的准确分割需要采用复杂的图像处理流程，计算量非常大。此外，有效地选取区分度较高的特征并对其进行描述往往比较困难，需要非常专业的知识和较好的先验知识。卷积神经网络是由LeCun提出的一种深度神经网络，它可直接将一幅二维图像作为输入，而不需要对原始图像数据作复杂的图像预处理。卷积神经网络自动从图像中提取、组合特征，在提取特征的基础上识别视觉模式，然后在输出端给出分类结果。利用卷积神经网络进行图像识别的简要模型如下图2示，与传统缺陷识别算法相比，其无须人工地选取和描述特征，避免了大量计算。此外，卷积神经网络可以识别有变化的模式，对几何变形具有鲁棒性，能容许图像的畸变等优点。
技术实现思路
本专利技术的目的在于解决上述问题提出一种基于深度卷积神经网络的五金件缺陷分类识别方法。为了达到此目的，本专利技术采用以下技术方案：一种基于深度卷积神经网络的五金件缺陷分类识别方法，包括以下步骤：A.建立网络，构造一个深度卷积神经网络；B.训练网络，将采集到的缺陷图像分为两大类，即训练集和测试集，所述训练集占采集到图像总数的70％，所述测试集占采集到图像总数的30％；C.缺陷识别，将测试集中的五金件缺陷图像输入已经训练好的网络，查看输出结果，将识别结果与图像的标签进行对照，统计正确识别率和错误识别率。更优的，步骤B中所述训练网络算法包括如下步骤：步骤一、首先，将网络的权值进行初始化，并使权重分布服从于均值为0，方差为0.01的高斯分布，同时使权值大于0的个数约等于小于0的个数；步骤二、训练样本去均值，所述训练样本为彩色图片，每个像素有R、G、B三个分量加和，求平均值，当五金件样本输入时，将样本所有像素的三个分量减去均值，然后输入网络；步骤三、网络训练，所述网络训练采用随机梯度下降法。更优的，所述随机梯度下降法包括如下步骤：步骤a、前向传播，所述前向传播将训练样本逐一输入网络，经过卷积层、激励层以及分类器输出计算结果，对比标签，计算输出误差；步骤b、反馈计算误差，根据步骤a中所述误差，从输出层依次向前，计算各层网络的误差，根据各层误差，计算权值更新量，更新权值w和偏差b；步骤c、将全部样本训练得到的误差平方之后，求和，再开方作为网络输出总误差，如果网络总误差大于设定阈值，将误差和计数器恢复初始值，重新训练样本，直至误差小于设定阈值。更优的，所述步骤a中假设共有m对训练样本，每次训练误差为更优的，所述总误差的表达式为更优的，所述训练网络过程用GPU加速计算。更优的，步骤A中所述深度卷积神经网络的结构包括六个卷积层，六个激励层，三个池化层，一个全连接层；卷积层后面连接激励层，经过连续两个卷积层和激励层之后会接一个池化层，所述深度卷积神经网络的最后一层连接分类器。更优的，所述每个卷积层均由3×3的卷积单元组成。更优的，步骤B中所述采集到的图像为彩色图像，图像的采集方式为工业相机拍摄，并将缺陷图像输入网络。更优的，所述分类器为softmax分类器。本专利技术的有益效果：1、一种缺陷分类识别算法，可以适合多种五金件及其他零件；2、利用卷积神经网络和softmax分类器进行分类识别，不需要其他复杂的图像预处理算法；3、样本训练之前去均值，训练过程用GPU加速计算，减少训练时间，可以处理像素比较多的五金件缺陷图像；4、用深度卷积神经网络识别，可以根据实际情况增加层数，提取缺陷更加抽象的特征，识别正确率更高；5、使用LeakyReLU激励函数，训练过程中不会拟合，计算简单有效，收敛速度快；6、使用随机梯度下降法，计算量比标准梯度法要小，并且可以避免陷入局部最小值。附图说明图1为传统缺陷检测识别算法的简要流程图；图2为利用卷积神经网络进行图像识别的简要模型图；图3为识别缺陷的卷积神经网络结构图；图4为卷本文档来自技高网...

【技术保护点】
一种基于深度卷积神经网络的五金件缺陷分类识别方法，其特征在于，包括以下步骤：A.建立网络，构造一个深度卷积神经网络；B.训练网络，将采集到的图像分为两大类，即训练集和测试集，所述训练集占采集到图像总数的70％，所述测试集占采集到图像总数的30％；C.缺陷识别，将测试集中的五金件缺陷图像输入已经训练好的网络，查看输出结果，将识别结果与图像的标签进行对照，统计正确识别率和错误识别率。

【技术特征摘要】
1.一种基于深度卷积神经网络的五金件缺陷分类识别方法，其特征在于，包括以下步骤：A.建立网络，构造一个深度卷积神经网络；B.训练网络，将采集到的图像分为两大类，即训练集和测试集，所述训练集占采集到图像总数的70％，所述测试集占采集到图像总数的30％；C.缺陷识别，将测试集中的五金件缺陷图像输入已经训练好的网络，查看输出结果，将识别结果与图像的标签进行对照，统计正确识别率和错误识别率。2.根据权利要求1所述的一种基于深度卷积神经网络的五金件缺陷分类识别方法，其特征在于：步骤B中所述训练网络算法包括如下步骤：步骤一、首先，将网络的权值进行初始化，并使权重分布服从于均值为0，方差为0.01的高斯分布，同时使权值大于0的个数约等于小于0的个数；步骤二、训练样本去均值，所述训练样本为彩色图片，每个像素有R、G、B三个分量加和，求平均值，当五金件样本输入时，将样本所有像素的三个分量减去均值，然后输入网络；步骤三、网络训练，所述网络训练采用随机梯度下降法。3.根据权利要求2所述的一种基于深度卷积神经网络的五金件缺陷分类识别方法，其特征在于：所述随机梯度下降法包括如下步骤：步骤a、前向传播，所述前向传播将训练样本逐一输入网络，经过卷积层、激励层以及分类器输出计算结果，对比标签，计算输出误差步骤b、反馈计算误差，根据步骤a中所述误差，从输出层依次向前，计算各层网络的误差，根据各层误差，计算权值更新量，更新权值w和偏差b；步骤...

【专利技术属性】
技术研发人员：王宏杰，李海艳，黄运保，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44