一种基于双生网络的纤维束缺陷检测方法

技术领域

本发明涉及图像处理领域，尤其涉及一种基于双生网络的纤维束缺陷检测方法。

背景技术

质量控制是工业生产中至关重要的一环，相较于生产完成后的质量抽检，在生产过程中进行在线质量监测可以更好的满足高质量低缺陷的需求。随着计算机视觉和深度学习技术的发展，可以从图像中抽取特征进行表面缺陷检测，并且取得的接近人工检验的准确率。

目前，基于神经网络的计算机视觉技术对于数据还较为敏感，模型训练和部署在工业领域都需要花费大量的人力和时间，而工业细分领域的数据获取困难，限制了深度学习在工业领域的应用。

发明内容

本发明提供了一种基于双生网络的纤维束缺陷检测方法，采用双生神经网络，仅需要少量的缺陷纤维束图像作为训练样本，就可得到可靠的纤维束缺陷检测模型，解决了工业领域缺陷样本获取困难的难题，具有客的现实意义。

针对现有技术的不足，本发明公开了一种基于双生网络的纤维束缺陷检测方法，包括如下步骤：

步骤1，获取无缺陷纤维束图像和缺陷纤维束图像进行人工标注；

步骤2，将所述无缺陷纤维束图像和所述缺陷纤维束图像输入到双生网络缺陷检测模型中，对所述双生网络缺陷检测模型进行训练，得到双生网络缺陷检测模型；

步骤3，将待检测纤维束图像输入到训练好的双生网络检测模型进行纤维束缺陷检测，判断所述纤维束图像是否含有缺陷。

进一步地，所述步骤1包括：所述无缺陷纤维束图像标注为0，所述缺陷纤维束图像标注为1；

进一步地，所述步骤2包括：

步骤2-1，从所述无缺陷纤维束图像和缺陷纤维束图像中随机选取两张，作为待训练样本对；

步骤2-2，将所述待训练样本对输入双生网络中进行特征提取，分别计算出特征向量；所述双生网络为两个结构相同、权值共享的VGG16神经网络；

步骤2-3，根据所述损失函数对所述双生网络缺陷检测模型进行训练，得到双生网络缺陷检测模型。

进一步地，损失函数的定义为：

其中，L

B

其中，v(x

进一步地，所述步骤3包括：

步骤3-1，采集待检测的纤维束图像；

步骤3-2，将所述无缺陷纤维束图像和所述待检测纤维束图像输入到已经训练过的所述双生网络缺陷检测模型中，得到无缺陷相似指数；所述相似指数即为所述曼哈顿距离的倒数；

步骤3-3，将所述缺陷纤维束图像和所述待检测纤维束图像输入到已经训练过的所述双生网络缺陷检测模型中，得到缺陷相似指数；

步骤3-4若无缺陷相似指数大于或等于缺陷相似指数，则所述待检测纤维束图像为合格纤维束；若无缺陷相似指数小于缺陷相似指数，则所述待检测纤维束图像为缺陷纤维束。

有益效果：本发明公开了一种基于双生网络的纤维束缺陷检测方法，是计算机视觉和神经网络技术在工业领域的具体应用，使用双生网络缺陷检测模型，不需要搜集大量的样本就可以训练出可靠、有效的检测模型，在不接触产品的前提下通过视觉就可以达到在线表面缺陷检测，实现质量检测自动化，在有类似需求的产业可大范围推广应用。

附图说明

图1是本发明实施例部分提供的一种基于双生网络的纤维束缺陷检测方法的工作流程示意图；

图2是本发明实施例部分无缺陷纤维束图像和待检测纤维束图像缺陷检测效果示意图。

图3是本发明实施例部分缺陷纤维束图像和待检测纤维束图像缺陷检测效果示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明实施例公开一种基于双生网络的纤维束缺陷检测方法，本方法应用于碳纤维行业纤维束表面缺陷检测，仅需采集少量纤维束图像进行模型训练和部署，能够满足准确、快速的实际使用需求。

本发明公开了一种基于双生网络的纤维束缺陷检测方法，工作流程示意图如图1所示，包括以下步骤：

步骤1，获取无缺陷纤维束图像和缺陷纤维束图像进行人工标注；所述无缺陷纤维束图像标注为0，所述缺陷纤维束图像标注为1；

步骤2，将所述无缺陷纤维束图像和所述缺陷纤维束图像输入到双生网络缺陷检测模型中，对所述双生网络缺陷检测模型进行训练，得到双生网络缺陷检测模型；

步骤3，将待检测纤维束图像输入到训练好的双生网络检测模型进行纤维束缺陷检测，判断所述纤维束图像是否含有缺陷。

在一种实现方式中，所述步骤2包括：

步骤2-1，从所述无缺陷纤维束图像和缺陷纤维束图像中选取两张图像组成待训练样本对；

步骤2-2，将所述待训练样本对输入双生网络中进行特征提取，分别计算出特征向量；所述双生网络为两个结构相同、权值共享的VGG16神经网络；

步骤2-3，根据所述损失函数对所述双生网络缺陷检测模型进行训练，得到双生网络缺陷检测模型。损失函数的定义为：

其中，L

B

其中，v(x

在一种实现方式中，所述步骤3包括：

步骤3-1，采集一张待检测纤维束图像；

步骤3-2，将一张所述无缺陷纤维束图像和所述待检测纤维束图像输入到已经训练过的所述双生网络缺陷检测模型中，得到无缺陷相似指数；所述相似指数即为所述特征向量的曼哈顿距离Bi的倒数；

步骤3-3，将所述缺陷纤维束图像和所述待检测纤维束图像输入到已经训练过的所述双生网络缺陷检测模型中，得到缺陷相似指数；

步骤3-4若无缺陷相似指数大于或等于缺陷相似指数，则所述待检测纤维束图像为合格纤维束；若无缺陷相似指数小于缺陷相似指数，则所述待检测纤维束图像为缺陷纤维束。

如图2，无缺陷纤维束图像和待检测纤维束图像输入到已经训练过的双生网络缺陷检测模型中，得到无缺陷相似指数0.018；如图3，缺陷纤维束图像和待检测纤维束图像输入到已经训练过的双生网络缺陷检测模型中，得到缺陷相似指数3.564。无缺陷相似指数小于缺陷相似指数，则待检测纤维束图像为缺陷纤维束。

本发明公开了一种基于双生网络的纤维束缺陷检测方法，无需采集大量缺陷纤维束图像，仅需要少量的正常和缺陷纤维束图像进行模型训练，就可得到可靠的纤维束缺陷检测模型，解决了工业领域中数据获取困难，样本标注费时费力的难题，可快速、有效的进行实施，降低缺陷率，提高合格率，从而提升产品质量。

具体实现中，本发明还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本发明提供的一种双特征融合的半全局立体匹配方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，ROM)或随机存储记忆体(random access memory，RAM)等。

本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中各个实施例之间相同相似的部分互相参见即可。以上所述的本发明实施方式并不构成对本发明保护范围的限定。