详情

原文传递一种基于深度学习算法的缺陷检测识别装置和方法

专利名称：	一种基于深度学习算法的缺陷检测识别装置和方法
摘要：	本发明公开了一种基于深度学习算法的缺陷检测识别装置，涉及缺陷检测识别领域，包括检测台，检测系统，模型推理系统，所述检测系统和所述检测台相连接，所述模型推理系统运行于所述检测系统。本发明在真实加工缺陷数据样本不足的情况下训练出有效的神经网络模型对待检测加工缺陷图像进行检测识别，利用深度学习算法降低了漏检率，实现了待检测装饰板材的全自动检测，降低了人工工作量。
专利类型：	发明专利
国家地区组织代码：	上海;31
申请人：	上海交通大学
发明人：	乐心怡;黄梓田;习俊通;周博宇;何欣
专利状态：	有效
申请日期：	2018-12-07T00:00:00+0800
发布日期：	2019-05-07T00:00:00+0800
申请号：	CN201811496896.1
公开号：	CN109724984A
代理机构：	上海旭诚知识产权代理有限公司
代理人：	郑立
分类号：	G01N21/88(2006.01);G;G01;G01N;G01N21
申请人地址：	200240 上海市闵行区东川路800号
主权项：	1.一种基于深度学习算法的缺陷检测识别装置，其特征在于，包括检测台，检测系统，模型推理系统，所述检测系统和所述检测台相连接，所述模型推理系统运行于所述检测系统。 2.如权利要求1所述的基于深度学习算法的缺陷检测识别装置，其特征在于，所述检测台包括固定在地面的工作台、安装在工作台上运输板材的传送带机构、安装在工作台上的相机安装支架，所述传送带机构由两个同步轮、同步带和驱动电机组成，所述两个同步轮分别为主动同步轮和从动同步轮，分别支撑在所述工作台两端，所述主动同步轮与所述驱动电机相连接，所述主动同步轮和所述从动同步轮带动所述同步带，所述驱动电机驱动所述主动同步轮。 3.如权利要求1或2所述的基于深度学习算法的缺陷检测识别装置，其特征在于，所述检测系统包括图像采集卡、CCD(charge coupled device)相机、运动控制卡、红外线检测模块和上位计算机；所述CCD相机安装在所述相机安装支架上，位于所述传送带机构的正上方，所述CCD相机镜面朝向所述传同步带，运动控制卡与所述驱动电机连接；所述图像采集卡控制所述CCD相机采集所述传送带上待检测装饰板材图像，并将所述图像传至所述上位计算机；所述运动控制卡收到所述上位计算机的指令后，控制所述驱动电机驱动所述同步轮运动，带动所述同步带将下一块装饰板材运送至所述CCD相机镜头下；所述上位计算机连续扫描与所述运动控制卡连接的端口，当检测到所述传送带有装饰板材经过时，向所述图像采集卡发送采集待检测装饰板材图像的指令；所述红外检测模块包括红外线发射装置和红外线接受装置，所述红外线检测模块通过串口与所述运动控制卡相连，用于检测装饰板材是否到达图像采集区域。 4.如权利要求1-3任一所述的基于深度学习算法的缺陷检测识别装置，其特征在于，所述模型推理系统运行于上位计算机，利用深度学习模型检索并识别出不同种类的装饰板加工缺陷，当所述图像采集卡采集到装饰板材图像后，经所述上位计算机将所述图像输入所述模型推理模块进行缺陷检索识别。 5.如权利要求3所述的基于深度学习算法的缺陷检测识别装置，其特征在于，所述红外线检测模块根据检测单块装饰板材的前沿判断装饰板材是否到达所述图像采集区域。 6.一种基于深度学习算法的缺陷检测识别方法，其特征在于，包括以下步骤： S100，使用如权利要求1-5任一所述的基于深度学习算法的缺陷检测识别装置； S101，采集真实的装饰板材加工缺陷图像样本与实际的装饰板材纹理图像样本； S102，利用基于图像处理的数据增强技术大批量生成带有加工缺陷的装饰板材图像样本； S103，对所述加工缺陷图像样本与利用所述数据增强技术生成的加工缺陷图像样本进行人工标注，所述人工标注的类别为：斑块、污点、划痕、碎屑、磨损； S104，利用迁移学习的方法，对所述人工标注的数据进行深度学习算法的分类训练，生成两个不同的CNN模型； S105，实时获取传送带机构上装饰板材图像，在所述上位计算机内，利用所述两个CNN模型分别检索识别图像的缺陷类别； S106，利用多模型集成的方法，分析出装饰板材是否存在加工缺陷。 7.如权利要求6所述的基于深度学习算法的缺陷检测识别方法，其特征在于，所述步骤102中的所述数据增强技术包括，利用图像处理技术，将加工缺陷的图像人为添加在所述实际的装饰板材纹理图像样本上，生成与所述真实的装饰板材加工缺陷相似的缺陷图像样本，以获取足够的卷积神经网络训练样本。 8.如权利要求6或7所述的基于深度学习算法的缺陷检测识别方法，其特征在于，所述步骤104中的所述两个不同的CNN模型为Inception和MobileNet。 9.如权利要求8所述的基于深度学习算法的缺陷检测识别方法，其特征在于，所述步骤104中的所述迁移学习的方法包括：使用所述Inception和MobileNet，保留卷积层和池化层用于特征提取，只重新构建其最后一层全连接层进行分类；使用所述人工标注的数据分别对全连接层进行训练，得到两个可对所述人工标注的类别进行识别分类的卷积神经网络模型。 10.如权利要求9所述的基于深度学习算法的缺陷检测识别方法，其特征在于，所述步骤105中的所述多模型集成的方法包括：在所述模块推理系统，在所述上位计算机收集到待检测图像后，将所述待检测图像分别输入所述Inception和所述MobileNet；若所述Inception或所述MobileNet检测到加工缺陷，返回“True”；若所述Inception或所述MobileNet未检测到加工缺陷，返回“False”；当所述Inception和所述MobileNet均返回“False”时，所述模块推理系统才返回“False”，表示待测装饰板材没有加工缺陷；当所述Inception和所述MobileNet之一或者全部返回“True”时，所述模块推理系统返回“True”，表示待测装饰板材存在加工缺陷。
所属类别：	发明专利