一种基于人工智能的工业缺陷检测分析系统技术方案

本发明专利技术涉及一种基于人工智能的工业缺陷检测分析系统，包括像素级实例分割模块、缺陷检测分类模块，所述的像素级实例分割模块用于在待分析的视频图像中实例化出要检测识别的目标并进行分割以提供目标区域；所述的缺陷检测分类模块用于对待识别目标区域进行精细化分析，得到最终的缺陷区域及缺陷模型。本发明专利技术通过采用像素级的实例分割方案和目标检测识别分析，有效的解决了目标定位不准，缺陷位置和类型识别率不高的问题，可以广泛的应用于工业企业作业过程中。业企业作业过程中。业企业作业过程中。

【技术实现步骤摘要】
一种基于人工智能的工业缺陷检测分析系统


[0001]本专利技术涉及工业缺陷检测识别领域，尤其涉及一种基于人工智能的工业缺陷检测识别系统。

技术介绍

[0002]工业产品制造过程中，会出现很多缺陷。这些缺陷类型往往不固定，包括工业产品的边缘缺陷、气泡、空洞、裂痕等。
[0003]工业缺陷检测识别，是一种通过机器视觉算法来自动识别工业相机拍摄的图像中的缺陷位置的技术。它的准确性和自动化程度对工业质量控制起着至关重要的作用。
[0004]现有的技术中，更多的是使用检测方案直接检测缺陷位置，然而在实践中，由于工业现场环境复杂，缺陷形态多变，导致检测识别精度不足。因此，需要解决的问题主要有两个方面：第一，如何精确定位目标；第二，如何精准检测和识别缺陷位置和缺陷类型。本申请正是基于这两方面的问题所做出的的改进。
[0005]基于上述分析，本专利技术专利一种基于人工智能的工业缺陷检测识别系统，该系统以深度学习为基础，采用像素级的实例分割方案和目标检测识别分析，有效的解决了目标定位不准，缺陷位置和类型识别率不高的问题。

技术实现思路

[0006]本专利技术的目的是要提供一种基于人工智能的工业缺陷检测分析系统，有效的解决了目标定位不准、缺陷位置和类型识别率不高的问题。
[0007]为达到上述目的，本专利技术采用的技术方案是： 一种基于人工智能的工业缺陷检测分析系统，包括像素级实例分割模块、缺陷检测分类模块，所述的像素级实例分割模块用于在待分析的视频图像中实例化出要检测识别的目标并进行分割以提供目标区域；所述的缺陷检测分类模块用于对待识别目标区域进行精细化分析，得到最终的缺陷区域及缺陷模型。
[0008]进一步地，所述的像素级实例分割模块基于SOLO网络进行优化形成SOLO骨干网络以提升网络模型的运行速度。
[0009]所述的SOLO骨干网络中加入有精简FPN结构以增强边缘端分析能力。
[0010]所述的SOLO骨干网络形成步骤如下：（1）基于Inception
‑
V2的基础上去除其网络层5a及以后的网络层；（2）保留的网络层5a之前的结构中，对每个卷积层的通道数进行剪枝操作，剪枝操作包括两个部分，第一部分是训练N个网络模型，把N个模型的所有卷积层中的参数进行加权，加权数据根据所有训练样本完成一次训练所得模型的倒数，将加权后的参数除以总数，得到完整的网络模型参数；第二部分，对每一层的网络参数进行由大到小的排序，当小于某个阈值P时，删除该数据，然后统计每个通道上保留的权重的个数，得到最终的每个卷积层上的通道数。
[0011]所述的精简FPN结构为去除较早层处的FPN，采用所述的剪枝算法再优化FPN分支中的卷积层通道。
[0012]进一步地，所述的缺陷检测分类模块采用精简化的YOLO
‑
V7作为主干网络，采用多任务结构，对缺陷位置区域以及缺陷类型进行训练。
[0013]所述的YOLO
‑
V7精简的方式如下：（1）修改输入图像的分辨率；（2）去除原始结构中的部分block模型；（3）对保留的网络结构进行通道剪枝。
[0014]在所述的YOLO
‑
V7输出分支中，并行添加属性分支和检测分支以形成相互增强。
[0015]由于上述技术方案运用，本专利技术与现有技术相比具有下列优点：本专利技术通过像素级实例分割模块将待检测实例分割出待分析的目标区域，再通过缺陷检测分类模块进行缺陷位置以及类型分析，通过两大模块的有效组合，构建一个全新的基于分隔加检测的人工智能工业缺陷分析系统，有效的解决了目标定位不准，缺陷位置和类型识别率不高的问题，可以广泛的应用于工业企业作业过程中。
附图说明
[0016]后文将参照附图以示例性而非限制性的方式详细描述本专利技术的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：图1是本专利技术检测分析系统原理框图；其中：1、基于人工智能的工业缺陷检测分析系统；11、像素级实例分割模块；12、缺陷检测分类模块；2、监视器；3、web展示；4、机械手。
具体实施方式
[0017]下面将结合附图对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0018]如图1所示的基于人工智能的工业缺陷检测分析系统1，由像素级实例分割模块11、缺陷检测分类模块12组成，其根据监视器2采集的产品信息进行分析，通过像素级实例分割模块11对采集的视频图像，实例化出要检测识别的目标并进行分割以提供目标区域，再通过缺陷检测分类识别模块12对待识别目标区域进行精细化分析以得到最终的缺陷区域及缺陷模型，检测分析结构通过web展示3，并输出指令控制机械手4动作，以将缺陷产品排出。
[0019]下面重点介绍本专利技术核心，即基于人工智能的工业缺陷检测分析系统的实现原理：其中，所述的像素级实例分割模块11，其基于SOLO网络框架，并在原有基础上进行改进，即采用原有的SOLO框架作为骨干网络，并加上精简后的FPN结构，在保证精度不变的情况下，可以有效提升网络模型的运行速度，又增强了服务器的边缘端分析能力。具体方法如下：
首先对于SOLO骨干网络的修改，基于Inception
‑
V2结构，修改输入图像的分辨率，去除Inception
‑
V2网络层5a及以后的网络层，在保留的网络层5a之前的网络结构中，对每个卷积层的通道数进行剪枝操作，进一步优化网络参数，剪枝算法包括两个部分：第一部分是训练N个网络模型，再把N个模型的所有卷积层中的参数进行加权，加权系数根据所有训练样本完成一次训练所得模型的倒数，比如整个网络训练中，所有训练样本都参与训练的次数为10，那么每次完成时得到一个网络模型，定义为N1，依次类推，得到N2，N3，
…
，N10，那么权重系数依次为1/N1,2/N2
…
10/N10。加权后的参数除上总数，就得到了一个完整的网络模型参数；第二部分，对每一层的网络参数进行由大到小的排序，小于某个阈值P的，删除，然后统计每个通道上保留的权重的个数，当个数小于某个阈值P1的时候，该层的通道数减1，依次类推，得到最终的每个卷积层上的通道数。
[0020]对于FPN结构的精简，是去除较早层处的FPN，仍利用上述剪枝算法，对各个FPN分支中的卷积层通道数，这样不仅可以保持较好的分割效果，还提升了运算性能。
[0021]所述缺陷检测分类模块12基于YOLO
‑
V7作为缺陷检测的主干网络，通过对主干网络的精简，采用多任务结构，同时训练缺陷位置区域以及缺陷类型。YOLO
‑
V7结构精简方式如下：首先，修改输入图像的分辨率；其次，去除原始结构中的部分block，减本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的工业缺陷检测分析系统，其特征在于：包括像素级实例分割模块、缺陷检测分类模块，所述的像素级实例分割模块用于在待分析的视频图像中实例化出要检测识别的目标并进行分割以提供目标区域；所述的缺陷检测分类模块用于对待识别目标区域进行精细化分析，得到最终的缺陷区域及缺陷模型。2.根据权利要求1所述的一种基于人工智能的工业缺陷检测分析系统，其特征在于：所述的像素级实例分割模块基于SOLO网络进行优化形成SOLO骨干网络以提升网络模型的运行速度。3.根据权利要求2所述的一种基于人工智能的工业缺陷检测分析系统，其特征在于：所述的SOLO骨干网络中加入有精简FPN结构以增强边缘端分析能力。4.根据权利要求2所述的一种基于人工智能的工业缺陷检测分析系统，其特征在于：所述的SOLO骨干网络形成步骤如下：（1）基于Inception
‑
V2的基础上去除其网络层5a及以后的网络层；（2）保留的网络层5a之前的结构中，对每个卷积层的通道数进行剪枝操作，剪枝操作包括两个部分，第一部分是训练N个网络模型，把N个模型的所有卷积层中的参数进行加权，加权数据根据所有训练样本完成一次训练所得模型的倒数，...

【专利技术属性】
技术研发人员：孙学真，
申请(专利权)人：苏州元极智能科技有限公司，
类型：发明
国别省市：