一种面向工业视觉质检的两阶段缺陷检测方法技术

本发明专利技术涉及一种面向工业视觉质检的两阶段缺陷检测方法，属于图像识别领域。首先，通过工业环境下的目标物体的数据收集，建立数据集。其次，搭建两阶段缺陷检测网络模型，图像通过网络模型后，第一阶段能够得到局部缺陷的存在，第二阶段来预测缺陷的类型。最后，通过预测的类型来判别产品是否能够符合质量标准。本方法具有高精度的缺陷检测性能，并且借鉴了深度学习中自动提取目标的特性能够进行多种类别的缺陷检测。的缺陷检测。的缺陷检测。

【技术实现步骤摘要】
一种面向工业视觉质检的两阶段缺陷检测方法


[0001]本专利技术属于图像识别领域，涉及一种面向工业视觉质检的两阶段缺陷检测方法。

技术介绍

[0002]随着工业自动化和智能制造的发展，生产线上越来越多的环节可以实现自动化。在生产过程中，产品缺陷的出现可能会给企业带来巨大的损失，因此，对产品进行质量检测是非常重要的。传统的质量检测方法通常需要人工参与，效率低下、成本高昂，并且容易出现漏检和误检的问题，无法保证产品检测的准确性和一致性。而工业视觉产品缺陷检测技术的出现，可以实现自动化的产品质量检测，提高了生产线的效率和质量，降低了企业的生产成本。工业视觉产品缺陷检测技术基于计算机视觉技术，通过图像处理和分析，检测产品表面的缺陷、尺寸偏差等问题。通过预先训练模型，工业视觉产品缺陷检测技术可以自动识别缺陷并进行分类，从而实现对生产过程的实时监控和控制。工业视觉产品缺陷检测技术的应用范围非常广泛，包括电子、汽车、食品、医药、化工等众多行业。在电子行业中，工业视觉产品缺陷检测可以检测PCB板、芯片、LCD显示屏等电子元器件的缺陷；在汽车行业中，工业视觉产品缺陷检测可以检测汽车零部件的表面缺陷、尺寸偏差等问题；在食品行业中，工业视觉产品缺陷检测可以检测食品的大小、形状、颜色等特征，以保证其符合安全标准。
[0003]早期的工业视觉产品缺陷检测技术主要依赖于人工视觉，即人工检查和分类缺陷。随着计算机技术的不断发展，基于计算机视觉技术的工业视觉产品缺陷检测技术开始逐渐兴起。20世纪80年代，由于硬件和软件技术的限制，工业视觉产品缺陷检测技术的应用范围比较狭窄，主要用于一些简单的工业质量控制场景，例如电子元件表面的缺陷检测和纸张的定位和校准。随着计算机视觉技术和机器学习技术的不断进步，工业视觉产品缺陷检测技术在21世纪初开始迅速发展。通过深度学习等技术的应用，工业视觉产品缺陷检测技术可以对更复杂的产品进行检测和分类，实现对生产过程的实时监控和控制。目前，工业视觉产品缺陷检测技术已经成为自动化生产过程中必不可少的一部分，广泛应用于电子、汽车、食品、医药、化工等各个行业。传统的工业视觉产品缺陷检测方法主要依靠人工制定的规则和特征，对于复杂的生产场景和产品类型往往无法满足高质量的检测需求。而深度学习技术具有自动学习和自适应性的优势，可以通过大量数据的学习和训练，从而减少对于人工制定规则和特征的依赖。另外，深度学习技术在处理图像和视频等数据方面具有优秀的性能表现，可以有效地识别和分类复杂的产品缺陷，并能够进行高效的实时监控和控制。此外，深度学习技术还具有良好的可扩展性和灵活性，可以适应不同场景和需求的变化，并能够不断优化和提升性能，以满足不断变化的工业需求。利用深度学习技术进行工业视觉产品缺陷检测，具有自动学习、自适应性、高效性、可扩展性和灵活性等诸多优势，可以为工业生产提供更加可靠和高效的质量控制手段。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种面向工业视觉质检的两阶段缺陷检测方
法。
[0005]为达到上述目的，本专利技术提供如下技术方案：
[0006]一种面向工业视觉质检的两阶段缺陷检测方法，该方法包括以下步骤：
[0007]S1：收集工业环境下的产品质量检测的图像数据集，并且存储到数据库中；
[0008]S2：对数据集进行清洗处理，去除图像质量较差和模糊不清的图像；
[0009]S3：搭建两阶段缺陷检测模型，包括局部缺陷定位模块和缺陷类型预测模块两部分；
[0010]S4：在检测模型中引入多尺度特征融合方法，包括空洞卷积空间平衡特征金字塔结构ASBFPN；
[0011]S5：将数据集输入两阶段缺陷检测深度卷积神经网络模型中，通过模型训练学习到的特征进行预测；
[0012]S6：输出缺陷检测位置以及预测缺陷类型。
[0013]可选的，所述对数据集进行清洗处理具体包括以下步骤：
[0014]S21：去除图像质量达到一定值的以及模糊不清的图像；
[0015]S22：去除指特征相似度达到一定值的图像；
[0016]S23：根据正样本和负样本，将数据筛选好。
[0017]可选的，所述搭建两阶段缺陷检测模型包括：
[0018]1)局部缺陷预测模块；通过Inception模块应用系数卷积神经网络来预测图像中缺陷的可能性；在卷积神经网络中找到一个局部最优的稀疏结构，在每个模块中，在3
×
3的卷积之前使用一个1
×
1的卷积来减少输出维度；其次，采用灰度图像作为检测框架的输入；为避免表示瓶颈，卷积核的大小用3
×
3的大小来代替5
×
5和7
×
7；邻接网络的Inception部分，使用两个Inception结构，其中Inception模块1用于增加网络稀疏，Inception模块2用于增加稀疏性，同时减少网格大小；后一部分是卷积网络的通用结构；为防止过拟合，使用40％输出下降率的dropout层；在网络的最后，使用线性层作为分类器；
[0019]2)全局缺陷识别模块；在预测完所有的盒形图像后，得到输入图像的特征图；然后应用简单的卷积神经网络，根据尺寸为32
×
24大小图像进行识别缺陷的类型；首先，将特征图归一化为一个大小为32
×
32，通过零填充的方式；
[0020]采用LeNet模型对特征图进行识别，LeNet模型包括7层，包括3个卷积层、2个池化层和2个全连接层；三个卷积层的核都是5
×
5，两个池化层的窗口大小都是2
×
2；用Relu作为它的激活函数；与最后一个卷积层连接的全连接层的主要功能是特征的融合和增强；最后，采用softmax分类器进行分类预测。
[0021]可选的，所述S4中，ASBFPN模块是缺陷检测模块的头部模块，进行特征融合；在ABPFN中，设计两个特征融合模块，skip
‑
ASPP模块和balanced模块；
[0022]1)skip
‑
ASPP模块；C1为对输入图像进行下采样得到的特征图；C＝{C2,C3,C4,C5}表示骨干中相应残差块在每一阶段所获得的特征图；C5是骨干最后阶段的最后一个残差块的输出特征图，是skip
‑
ASPP模块的输入，使用的算子是空洞卷积算子；在ASBFPN中使用5个ASPP模块，采用的是密集的连接，在层次较深的网络中效果较好，提出的skip
‑
ASPP模块采用跳跃连接；
[0023]在skip
‑
ASPP模块中应用跳过连接，增强各个ASPP块的前输出和后输出特征之间
的交互和特征融合；整个skip
‑
ASPP模块的工作原理如下：
[0024][0025]其中S
i
(
·
)表示对应ASPP块的操作，i＝1,2,3,4,5；每个ASPP本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向工业视觉质检的两阶段缺陷检测方法，其特征在于：该方法包括以下步骤：S1：收集工业环境下的产品质量检测的图像数据集，并且存储到数据库中；S2：对数据集进行清洗处理，去除图像质量较差和模糊不清的图像；S3：搭建两阶段缺陷检测模型，包括局部缺陷定位模块和缺陷类型预测模块两部分；S4：在检测模型中引入多尺度特征融合方法，包括空洞卷积空间平衡特征金字塔结构ASBFPN；S5：将数据集输入两阶段缺陷检测深度卷积神经网络模型中，通过模型训练学习到的特征进行预测；S6：输出缺陷检测位置以及预测缺陷类型。2.根据权利要求1所述的一种面向工业视觉质检的两阶段缺陷检测方法，其特征在于：所述对数据集进行清洗处理具体包括以下步骤：S21：去除图像质量达到一定值的以及模糊不清的图像；S22：去除指特征相似度达到一定值的图像；S23：根据正样本和负样本，将数据筛选好。3.根据权利要求1所述的一种面向工业视觉质检的两阶段缺陷检测方法，其特征在于：所述搭建两阶段缺陷检测模型包括：1)局部缺陷预测模块；通过Inception模块应用系数卷积神经网络来预测图像中缺陷的可能性；在卷积神经网络中找到一个局部最优的稀疏结构，在每个模块中，在3
×
3的卷积之前使用一个1
×
1的卷积来减少输出维度；其次，采用灰度图像作为检测框架的输入；为避免表示瓶颈，卷积核的大小用3
×
3的大小来代替5
×
5和7
×
7；邻接网络的Inception部分，使用两个Inception结构，其中Inception模块1用于增加网络稀疏，Inception模块2用于增加稀疏性，同时减少网格大小；后一部分是卷积网络的通用结构；为防止过拟合，使用40％输出下降率的dropout层；在网络的最后，使用线性层作为分类器；2)全局缺陷识别模块；在预测完所有的盒形图像后，得到输入图像的特征图；然后应用简单的卷积神经网络，根据尺寸为32
×
24大小图像进行识别缺陷的类型；首先，将特征图归一化为一个大小为32
×
32，通过零填充的方式；采用LeNet模型对特征图进行识别，LeNet模型包括7层，包括3个卷积层、2个池化层和2个全连接层；三个卷积层的核都是5
×
5，两个池化层的窗口大小都是2
×
2；用Relu作为它的激活函数；与最后一个卷积层连接的全连接层的主要功能是特征的融合和增强；最后，采用softmax分类器进行分类预测。4.根据权利要求1所述的一种面向工业视觉质检的两阶段缺陷检测方法，其特征在于：所述S4中，ASBFPN模块是缺陷检测模块的头部模块，进行特征融合；在ABPFN中，设计两个特征融合模块，skip
‑
ASPP模块和balanced模块；1)skip
‑
ASPP模块；C1为对输入图像进行下采样得到的特征图；C＝{C2,C3,C4,C5}表示骨干中相应残差块在每一阶段所获得的特征图；C5是骨干最后阶段的最后一个残差块的输出特征图，是skip
‑
ASPP模块的输入，使用的算子是空洞卷积算子；在ASBFPN中使用5个ASPP模块，采用的是密集的连接，在层次较深的网络中效果较好，提出的skip
...

【专利技术属性】
技术研发人员：彭海英，谭磊，张普宁，杨志刚，吴大鹏，王汝言，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：