一种基于卷积神经网络的工件圆柱面外观缺陷检测方法

技术领域

本申请涉及缺陷检测技术领域，尤其涉及一种基于卷积神经网络的工件圆柱面外观缺陷检测方法。

背景技术

在对工件圆柱面外观缺陷检测的过程中，首先需要获取工件圆柱面图像。通过基于光栅式自旋转打光模型的工件图像获取技术，图像缺陷边缘更为连续，且背景干扰也较少。

但由于光栅式自旋转光源自身旋转特性，工件表面不同批次反光系数相同等缘故，工件反射明暗条纹始终处于不稳定状态，传统的缺陷检测算法无论进行图像预处理，图像分割定位明暗条纹，调整检测区域均存在一定难度，在实际生产中稳定检测缺陷的同时较难控制设备的检测率。

因此，提供一种基于卷积神经网络的工件圆柱面外观缺陷检测方法，对缺陷目标进行高精度定位与提取是本领域技术人员急需实现的。

发明内容

本申请提供了一种基于卷积神经网络的工件圆柱面外观缺陷检测方法，实现了工件圆柱面的缺陷目标高精度定位与提取，提高了检测的成功率。

有鉴于此，本申请第一方面提供了一种基于卷积神经网络的工件圆柱面外观缺陷检测方法，所述方法包括：

基于光栅式自旋转打光模型获取工件圆柱面外观图像；

利用定位神经网络获取所述工件圆柱面外观图像的定位信息，并完成对所述工件圆柱面外观图像中工件检测区域的定位；

利用提取神经网络对所述工件检测区域进行缺陷提取，确定所述工件的外观缺陷类型。

可选地，所述定位神经网络具体为Faster R-CNN神经网络或YOLO-v3神经网络。

可选地，所述利用定位神经网络获取所述工件圆柱面外观图像的定位信息之前还包括：

通过样本集训练定位神经网络，建立所述工件圆柱面外观图像中的预设数量的工件特征标签之间的联系。

可选地，所述提取神经网络具体为ResNet神经网络或GoogleNet神经网络。

可选地，所述利用提取神经网络对所述工件检测区域进行缺陷提取之前还包括：

通过样本集训练提取神经网络，建立所述工件圆柱面外观图像中的所述工件检测区域内图像与外观缺陷类型之间的联系。

可选地，所述通过样本训练集训练提取神经网络之前还包括：

对样本集中所有图像进行标注，包括工件检测区域的标注以及外观缺陷特征标注；

对所述外观缺陷特征进行尺寸设置；

将所述样本集分为训练集以及测试集。

可选地，所述对样本集中所有图像进行标注之后还包括：

通过数据增强功能对所述样本集进行数据增强处理，生成增强样本图像；

将所述增强样本图像添加至所述训练集中。

本申请第二方面提供一种基于卷积神经网络的工件圆柱面外观缺陷检测装置，所述装置包括：

获取单元，用于基于光栅式自旋转打光模型获取工件圆柱面外观图像；

定位单元，用于利用定位神经网络获取所述工件圆柱面外观图像的定位信息，并完成对所述工件圆柱面外观图像中工件检测区域的定位；

提取单元，用于利用提取神经网络对所述工件检测区域进行缺陷提取，确定所述工件的外观缺陷类型。

本申请第三方面提供一种基于卷积神经网络的工件圆柱面外观缺陷检测设备，所述设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令，执行如上述第一方面所述的基于卷积神经网络的工件圆柱面外观缺陷检测的方法的步骤。

本申请第四方面提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述第一方面所述的基于卷积神经网络的工件圆柱面外观缺陷检测方法的步骤。

从以上技术方案可以看出，本申请实施例具有以下优点：

本申请中，提供了一种基于卷积神经网络的工件圆柱面外观缺陷检测方法，包括：基于光栅式自旋转打光模型获取工件圆柱面外观图像；利用定位神经网络获取所述工件圆柱面外观图像的定位信息，并完成对所述工件圆柱面外观图像中工件检测区域的定位；利用提取神经网络对所述工件检测区域进行缺陷提取，确定所述工件的外观缺陷类型。本申请通过定位神经网络对工件圆柱面外观图像进行零件定位，找到零件区域并划分待检区域，提供不需要大量压缩的缺陷提取区域，再利于提取神经网络对缺陷目标进行提取识别和分类，实现了工件圆柱面的缺陷目标高精度定位与提取，提高了检测的成功率以及效率。

附图说明

图1为本申请实施例中一种基于卷积神经网络的工件圆柱面外观缺陷检测方法的第一个方法流程图；

图2为本申请实施例中一种基于卷积神经网络的工件圆柱面外观缺陷检测方法的第二个方法流程图；

图3为本申请实施例中一种基于卷积神经网络的工件圆柱面外观缺陷检测装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

本申请设计了一种基于卷积神经网络的工件圆柱面外观缺陷检测方法，实现了工件圆柱面的缺陷目标高精度定位与提取，提高了检测的成功率。

为了便于理解，请参阅图1，图1为本申请实施例中一种基于卷积神经网络的工件圆柱面外观缺陷检测方法的第一个方法流程图，如图1所示，具体为：

101、基于光栅式自旋转打光模型获取工件圆柱面外观图像；

需要说明的是，基于光栅式自旋转打光模型，采集获取工件圆柱面外观图像，在工件圆柱面外观图像中，工件表面将覆盖有明暗条纹。

102、利用定位神经网络获取所述工件圆柱面外观图像的定位信息，并完成对所述工件圆柱面外观图像中工件检测区域的定位；

需要说明的是，由于需要保证工件圆柱面外观图像及缺陷的分辨率，一般采用130万像素相机，即1300*1024，然而大部分严重缺陷尺寸约为250-700像素左右，主要包括50*50接近方形缺陷，以及7*100接近长方形缺陷，这些缺陷对于原图分辨率偏小，如果直接应用目标检测网络，运算量与难度较大，因此，首先通过定位神经网络获取工件圆柱面外观图像的定位信息，对检测区域进行定位。

103、利用提取神经网络对所述工件检测区域进行缺陷提取，确定所述工件的外观缺陷类型。

需要说明的是，经由定位神经网络后，可根据定位信息获取零件的工件检测区域，最终利用提取神经网络对工件检测区域进行缺陷提取，并确定工件的外观缺陷类型。

请参阅图2，图2为本申请实施例中一种基于卷积神经网络的工件圆柱面外观缺陷检测方法的第二个方法流程图，如图2所示，具体为：

201、基于光栅式自旋转打光模型获取工件圆柱面外观图像；

202、通过样本集训练定位神经网络，建立所述工件圆柱面外观图像中的预设数量的工件特征标签之间的联系；

需要说明的是，预先构建样本集，将样本工件圆柱面外观图像中的多个工件特征标签建立联系，由于识别准确率有待提高，故采用多个定位标签，标签中超过3个以上识别成功则定位神经网络训练成功。

203、利用定位神经网络获取所述工件圆柱面外观图像的定位信息，并完成对所述工件圆柱面外观图像中工件检测区域的定位；

需要说明的是，首先对工件圆柱面外观图像进行一定压缩后，将工件圆柱面外观图像输入定位神经网络中，定位神经网络在工件圆柱面外观图像中分为n*n个网格，网格中又生成多个候选框，计算每个区域内包含的对象类别及置信度，最后根据置信度确认目标坐标与类型，确定工件圆柱面外观图像中工件检测区域。

定位神经网络具体为Faster R-CNN神经网络或YOLO-v3神经网络。

204、对样本集中所有图像进行标注，包括工件检测区域的标注以及外观缺陷特征标注；

需要说明的是，在训练提取神经网络之前，首先需要构建提取神经网络的训练样本集，对样本集中所有图像进行标注，标注图像中的缺陷部分，针对定位神经网络输出的定位信息，对缺陷提取区域进行标注。

205、通过数据增强功能对所述样本集进行数据增强处理，生成增强样本图像；

需要说明的是，由于样本图像的数量有限，因此还可以通过数据增强功能，在有限图像数量情况下尽量制造更多图像，提高提取神经网络模型的精度和泛化能力。

数据增强功能包括旋转、比例、宽高比、剪切、翻转、亮度以及对比度等，可以具体为：旋转指定潜在方向、比例调整图像大小、反转调整图像镜像变换，可分为水平/垂直/全镜像三个选项、宽高比图像宽高比例、剪切调整图像倾斜变化程度、亮度调整图像整体亮度变化程度以及对比度调整图像特征对比度变化程度。

206、将所述增强样本图像添加至所述训练集中；

207、对所述外观缺陷特征进行尺寸设置；

需要说明的是，缺陷特征大小将影响缺陷检测框大小，更影响提取神经网络的检测性能，因此根据缺陷类型设置合适的缺陷特征尺寸。

208、将所述样本集分为训练集以及测试集；

209、通过样本集训练提取神经网络，建立所述工件圆柱面外观图像中的所述工件检测区域内图像与外观缺陷类型之间的联系；

210、利用提取神经网络对所述工件检测区域进行缺陷提取，确定所述工件的外观缺陷类型。

需要说明的是，利用提取神经网络，将定位神经网络输出的包含工件检测区域的工件圆柱面外观图像进行进一步缺陷提取并检测，根据得分的设置判断外观缺陷概率以及外观缺陷类型。

提取神经网络具体为ResNet神经网络或GoogleNet神经网络。

本申请通过定位神经网络对工件圆柱面外观图像进行零件定位，找到零件区域并划分待检区域，提供不需要大量压缩的缺陷提取区域，再利于提取神经网络对缺陷目标进行提取识别和分类，实现了工件圆柱面的缺陷目标高精度定位与提取，提高了检测的成功率以及效率。

请参阅图3，图3为本申请实施例中一种基于卷积神经网络的工件圆柱面外观缺陷检测装置的结构示意图，如图3所示，具体为：

获取单元301，用于基于光栅式自旋转打光模型获取工件圆柱面外观图像；

定位单元302，用于利用定位神经网络获取所述工件圆柱面外观图像的定位信息，并完成对所述工件圆柱面外观图像中工件检测区域的定位；

提取单元303，用于利用提取神经网络对所述工件检测区域进行缺陷提取，确定所述工件的外观缺陷类型。

本申请实施例还提供一种基于卷积神经网络的工件圆柱面外观缺陷检测设备，所述设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令，执行前述各个实施例所述的基于卷积神经网络的工件圆柱面外观缺陷检测的方法的步骤。

本申请实施例还提供一种计算机可读存储介质，用于存储程序代码，该程序代码用于执行前述各个实施例所述的基于卷积神经网络的工件圆柱面外观缺陷检测的方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。