CN106355579A - 烟条表面褶皱的缺陷检测方法 - Google Patents
烟条表面褶皱的缺陷检测方法 Download PDFInfo
- Publication number
- CN106355579A CN106355579A CN201610826839.XA CN201610826839A CN106355579A CN 106355579 A CN106355579 A CN 106355579A CN 201610826839 A CN201610826839 A CN 201610826839A CN 106355579 A CN106355579 A CN 106355579A
- Authority
- CN
- China
- Prior art keywords
- layer
- image
- output
- vector
- input
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种烟条表面褶皱的缺陷检测方法。该方法首先采集检测区域的图像信息,通过图像灰度化将像素点转换成256阶的颜色深度;基于拉普拉斯算子轻微锐化,突出图像表面缺陷特征;通过卷积神经网络训练得到的图像,然后进行表面缺陷图片的检测,即将表面缺陷图片通过已经训练好的卷积神经网络,利用上述几个步骤判断一幅图片是否为表面缺陷图片。本发明不仅能够有效的识别表面的褶皱缺陷,而且在图片亮度变化时能够达到快速、准确的识别效果。
Description
技术领域
本发明属于表面缺陷检测技术,具体地说是一种基于图像处理和卷积神经网络的烟条表面缺陷检测方法。
背景技术
在众多的基于视觉的表面缺陷检测***中,基于数字图像处理的视觉检测技术以其技术成熟、成本低、识别效果优秀受到人们的青睐,相应的表面缺陷检测的技术产品的需求正在日益增大,应用也越来越广泛。
表面检测是从待检测的图片中分析图像是否有缺陷的过程。本发明表面检测技术主要涉及图像采集、图像数字处理、卷积神经网络的构建和训练、图像缺陷的分类等步骤。其中图像的数字处理和卷积神经网络的构建是表面检测领域的两个关键问题。
目前表面检测的方法主要有两种:基于图像处理算法的特征处理方法和基于卷积神经网络和图像处理算法的方法。基于图像处理算法的特征处理方法,是通过对图像的灰度化处理,分别计算图像的平均灰度化数值和灰度化数值的方差,通过与预先设定好的标准值进行比较,判断与标准值得差值大小是否超过阈值来判断是否有表面缺陷。该方法通常需要预先设定好相机曝光时间、环境光线的亮暗、烟条图像采集的位置等信息,受外界条件影响大,***的鲁棒性较差。基于卷积神经网络和图像处理算法的方法,卷积网络是为识别二维形状而特殊设计的一个多层感知器,这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性。而且避免传统识别算法中复杂的特征提取和数据重建过程。缺陷特征的识别速度也会有很大的提高,但是该类方法需要大量的样本来训练已达到较高的识别率,训练样本过少可能导致识别率下降。
发明内容
本发明的目的在于提供一种烟条表面褶皱的缺陷检测方法,从而快速准确的实现表面缺陷检测。
实现本发明目的的技术解决方案为:一种烟条表面褶皱的缺陷检测方法,步骤如下:
第一步,对输入图像的检测区域进行加权平均灰度化后,采用基于拉普拉斯算子的算法进行图像锐化处理,突出图像特征,接着归一化图像大小为64*64。
第二步,构建7层卷积神经网络,即第一层输入层输入维度为64*64,第二到第七层分别为卷积核为5*5的卷积层,2*2的池化层,卷积核为5*5的卷积层,2*2的池化层,卷积核为5*5的卷积层,全连接层。其中全连接层输出维度为缺陷种类数目大小。
第三步,训练卷积神经网络参数。对第一步处理的图像输入第二步构建的卷积神经网络,自己构建多个图像与标签库进行多次训练和测试,其中每训练10组数据后,测试一组训练数据作为参数校正。
第四步,图像表面缺陷检测,对输入待检测的图像输入第二步构建并通过第三步训练得到的卷积神经网络,即可得到表面缺陷检测的结果。
本发明与现有技术相比,其显著优点:(1)不仅有效的抑制了环境亮度对图像处理产生的影响,同时减小了对相机确定曝光时间的依赖性,而且可以快速的识别出表面有缺陷的图像。(2)首先对图像进行灰度处理和一定程度的锐化操作,强化图像的缺陷特征。(2)接下来构建可以稳定识别缺陷图像的卷积神经网络的模型,通过实现多层感知器的设计,可以对图像的平移、比例缩放、倾斜或者共他形式的变形具有高度的有效识别特性。(3)将待识别图像通过此***可以快速的判断出图像是否有缺陷,避免了传统识别算法中复杂的特征提取和数据重建过程。
附图说明
附图是本发明的卷积神经网络结构图。
具体实施方式
结合附图,本发明是一种基于图像处理和卷积神经网络的烟条表面缺陷检测方法,首先采集检测区域的图像信息,通过图像灰度化将像素点转换成256阶的颜色深度;基于拉普拉斯算子轻微锐化,突出图像表面缺陷特征;通过卷积神经网络训练得到的图像,然后进行表面缺陷图片的检测,即将表面缺陷图片通过已经训练好的卷积神经网络,利用上述几个步骤判断一幅图片是否为表面缺陷图片。具体步骤如下:
第一步,对输入图像的检测区域进行加权平均灰度化后,采用基于拉普拉斯算子的算法进行图像锐化处理,突出图像特征,接着归一化图像大小为64*64。
第二步,构建7层卷积神经网络,即第一层输入层输入维度为64*64,第二到第七层分别为卷积核为5*5的卷积层,2*2的池化层,卷积核为5*5的卷积层,2*2的池化层,卷积核为5*5的卷积层,全连接层。其中全连接层输出维度为缺陷种类数目大小。
(1) 构建输入层,输入层没有输入向量,只有输出向量,这个向量的大小就是图片的大小,即一个64*64的矩阵,其中激活函数为一维线性函数。
(2) 构建C1卷积层,此卷积层的输入来源于上一层的输出层,总共包含6个5*5的卷积核,一个保存上一层输出64*64的向量,一个保存本层输出60*60*6的向量,一个表示全连接关系的连接表。激励函数采用tanh,每一个卷积核提取一种图像特征,总共可以有6个特征map。
(3) 构建S2池化层,此层是对上一层map用2*2的卷积核进行采样处理,一个保存上一层输出的60*60*6的向量,一个保存本层输出30*30*6的向量,激励函数采用tanh,每一个卷积核取2*2区域的最大值。
(4) 构建C3卷积层,此卷积层的输入来源于池化层,总共包含16*6个5*5的卷积核,一个保存上一层输出的30*30*6的向量,一个保存本层输出的16*26*26的向量,本层与上一层通过连接矩阵连接,并不是采用全连接方式,激励函数采用tanh,总共可以得到16个特征map。
(5) 构建S4池化层,此层与S2层类似,采用2*2的卷积核进行采样处理,一个保存上一层输出的16*26*26的向量,一个保存本层输出40*13*13的向量,激励函数采用tanh,每一个卷积核取2*2区域的最大值。
(6) 构建C5卷积层,此卷积层与C3层类似,输入来源于池化层,总共包含40个5*5的卷积核,一个保存上一层输出的16*13*13的向量,一个保存本层输出的40*9*9的向量,本层与上一层同样采用连接矩阵连接,激励函数采用tanh,总共可以得到40个特征map。
(7) 构建F6全连接层,本层与上一层全连接,输出为要检测的缺陷种类数目,激励函数为tanh,损失函数用均方差公式来计算反向传递的误差。
第三步,训练卷积神经网络参数。对第一步处理的图像输入第二步构建的卷积神经网络,自己构建多个图像与标签库进行多次训练和测试,其中每训练10组数据后,测试一组训练数据作为参数校正。
第四步,图像表面缺陷检测,对输入待检测的图像输入第二步构建并通过第三步训练得到的卷积神经网络,即可得到表面缺陷检测的结果。
Claims (2)
1.一种烟条表面褶皱的缺陷检测方法,其特征在于步骤如下:
第一步,对输入图像的检测区域进行加权平均灰度化,然后采用基于拉普拉斯算子的算法进行图像锐化处理,突出图像特征,接着归一化图像大小为64*64;
第二步,构建7层卷积神经网络,即第一层输入层输入维度为64*64,第二到第七层分别为卷积核为5*5的卷积层、2*2的池化层、卷积核为5*5的卷积层、2*2的池化层、卷积核为5*5的卷积层、全连接层;其中全连接层输出维度为缺陷种类数目大小;
第三步,训练卷积神经网络参数;对第一步处理的图像输入到第二步构建的卷积神经网络,自身构建多个图像与标签库进行多次训练和测试,其中每训练10组数据后,测试一组训练数据作为参数校正;
第四步,图像表面缺陷检测;对输入待检测的图像输入第二步构建并通过第三步训练得到的卷积神经网络,即可得到表面缺陷检测的结果。
2.根据权利要求1所述的烟条表面褶皱的缺陷检测方法,其特征在于所述第二步具体过程如下:
2.1,构建输入层,输入层没有输入向量,只有输出向量,这个向量的大小就是图片的大小,即一个64*64的矩阵;
2.2,构建C1卷积层,此卷积层的输入来源于上一层的输出,总共包含6个5*5的卷积核,一个保存上一层输出64*64的向量,一个保存本层输出60*60*6的向量;激励函数采用tanh,每一个卷积核提取一种图像特征,总共有6个特征map;
2.3,构建S2池化层,此层是对上一层map用2*2的卷积核进行采样处理,一个保存上一层输出的60*60*6的向量,一个保存本层输出30*30*6的向量,激励函数采用tanh,每一个卷积核取2*2区域的最大值;
2.4,构建C3卷积层,此卷积层的输入来源于池化层,总共包含16*6个5*5的卷积核,一个保存上一层输出的30*30*6的向量,一个保存本层输出的16*26*26的向量,本层与上一层通过连接矩阵连接,激励函数采用tanh,总共得到16个特征map;
2.5,构建S4池化层,此层与S2层类似,采用2*2的卷积核进行采样处理,一个保存上一层输出的16*26*26的向量,一个保存本层输出40*13*13的向量,激励函数采用tanh,每一个卷积核取2*2区域的最大值;
2.6,构建C5卷积层,此卷积层与C3层类似,输入来源于池化层,总共包含40个5*5的卷积核,一个保存上一层输出的16*13*13的向量,一个保存本层输出的40*9*9的向量,本层与上一层同样采用连接矩阵连接,激励函数采用tanh,总共得到40个特征map;
2.7,构建F6全连接层,本层与上一层全连接,输出为要检测的缺陷种类数目,激励函数为tanh,损失函数用均方差公式来计算反向传递的误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610826839.XA CN106355579A (zh) | 2016-09-14 | 2016-09-14 | 烟条表面褶皱的缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610826839.XA CN106355579A (zh) | 2016-09-14 | 2016-09-14 | 烟条表面褶皱的缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106355579A true CN106355579A (zh) | 2017-01-25 |
Family
ID=57858021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610826839.XA Pending CN106355579A (zh) | 2016-09-14 | 2016-09-14 | 烟条表面褶皱的缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106355579A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107328787A (zh) * | 2017-07-05 | 2017-11-07 | 北京科技大学 | 一种基于深度卷积神经网络的金属板带表面缺陷检测*** |
CN107561738A (zh) * | 2017-08-30 | 2018-01-09 | 湖南理工学院 | 基于fcn的tft‑lcd表面缺陷快速检测方法 |
CN108154508A (zh) * | 2018-01-09 | 2018-06-12 | 北京百度网讯科技有限公司 | 产品缺陷检测定位的方法、装置、存储介质及终端设备 |
CN108427969A (zh) * | 2018-03-27 | 2018-08-21 | 陕西科技大学 | 一种多尺度形态学结合卷积神经网络的纸张缺陷分类方法 |
CN109291657A (zh) * | 2018-09-11 | 2019-02-01 | 东华大学 | 基于卷积神经网络航天结构件工业物联标识激光打码*** |
CN109583295A (zh) * | 2018-10-19 | 2019-04-05 | 河南辉煌科技股份有限公司 | 一种基于卷积神经网络的转辙机缺口自动检测方法 |
CN111145163A (zh) * | 2019-12-30 | 2020-05-12 | 深圳市中钞科信金融科技有限公司 | 一种纸张褶皱缺陷检测方法及装置 |
US10769774B2 (en) | 2018-01-09 | 2020-09-08 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and device for detecting a defect in a steel plate, as well as apparatus and server therefor |
CN112419291A (zh) * | 2020-11-30 | 2021-02-26 | 佛山职业技术学院 | 一种瓶胚缺陷检测模型的训练方法、存储介质及终端设备 |
CN113362305A (zh) * | 2021-06-03 | 2021-09-07 | 河南中烟工业有限责任公司 | 基于人工智能的烟箱缺条混牌检测***及方法 |
CN113610795A (zh) * | 2021-08-02 | 2021-11-05 | 沈阳航空航天大学 | 一种可燃药筒表面缺陷检测方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105118044A (zh) * | 2015-06-16 | 2015-12-02 | 华南理工大学 | 一种轮形铸造产品缺陷自动检测方法 |
WO2016132146A1 (en) * | 2015-02-19 | 2016-08-25 | Magic Pony Technology Limited | Visual processing using sub-pixel convolutions |
-
2016
- 2016-09-14 CN CN201610826839.XA patent/CN106355579A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016132146A1 (en) * | 2015-02-19 | 2016-08-25 | Magic Pony Technology Limited | Visual processing using sub-pixel convolutions |
CN105118044A (zh) * | 2015-06-16 | 2015-12-02 | 华南理工大学 | 一种轮形铸造产品缺陷自动检测方法 |
Non-Patent Citations (3)
Title |
---|
A KRIZHEVSKY 等: "ImageNet Classification with Deep Convolutional Neural Networks", 《INTERNATIONAL CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS》 * |
徐姗姗 等: "基于卷积神经网络的木材缺陷识别", 《山东大学学报(工学版)》 * |
百度文库: "卷积神经网络(CNN)", 《百度文库》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107328787A (zh) * | 2017-07-05 | 2017-11-07 | 北京科技大学 | 一种基于深度卷积神经网络的金属板带表面缺陷检测*** |
CN107561738B (zh) * | 2017-08-30 | 2020-06-12 | 湖南理工学院 | 基于fcn的tft-lcd表面缺陷快速检测方法 |
CN107561738A (zh) * | 2017-08-30 | 2018-01-09 | 湖南理工学院 | 基于fcn的tft‑lcd表面缺陷快速检测方法 |
CN108154508A (zh) * | 2018-01-09 | 2018-06-12 | 北京百度网讯科技有限公司 | 产品缺陷检测定位的方法、装置、存储介质及终端设备 |
US10769774B2 (en) | 2018-01-09 | 2020-09-08 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and device for detecting a defect in a steel plate, as well as apparatus and server therefor |
CN108427969A (zh) * | 2018-03-27 | 2018-08-21 | 陕西科技大学 | 一种多尺度形态学结合卷积神经网络的纸张缺陷分类方法 |
CN109291657A (zh) * | 2018-09-11 | 2019-02-01 | 东华大学 | 基于卷积神经网络航天结构件工业物联标识激光打码*** |
CN109291657B (zh) * | 2018-09-11 | 2020-10-30 | 东华大学 | 基于卷积神经网络航天结构件工业物联标识激光打码*** |
CN109583295A (zh) * | 2018-10-19 | 2019-04-05 | 河南辉煌科技股份有限公司 | 一种基于卷积神经网络的转辙机缺口自动检测方法 |
CN109583295B (zh) * | 2018-10-19 | 2022-12-06 | 河南辉煌科技股份有限公司 | 一种基于卷积神经网络的转辙机缺口自动检测方法 |
CN111145163A (zh) * | 2019-12-30 | 2020-05-12 | 深圳市中钞科信金融科技有限公司 | 一种纸张褶皱缺陷检测方法及装置 |
CN112419291A (zh) * | 2020-11-30 | 2021-02-26 | 佛山职业技术学院 | 一种瓶胚缺陷检测模型的训练方法、存储介质及终端设备 |
CN112419291B (zh) * | 2020-11-30 | 2024-06-04 | 佛山职业技术学院 | 一种瓶胚缺陷检测模型的训练方法、存储介质及终端设备 |
CN113362305A (zh) * | 2021-06-03 | 2021-09-07 | 河南中烟工业有限责任公司 | 基于人工智能的烟箱缺条混牌检测***及方法 |
CN113610795A (zh) * | 2021-08-02 | 2021-11-05 | 沈阳航空航天大学 | 一种可燃药筒表面缺陷检测方法及*** |
CN113610795B (zh) * | 2021-08-02 | 2023-09-29 | 沈阳航空航天大学 | 一种可燃药筒表面缺陷检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106355579A (zh) | 烟条表面褶皱的缺陷检测方法 | |
CN111325713B (zh) | 基于神经网络的木材缺陷检测方法、***及存储介质 | |
CN108074231B (zh) | 一种基于卷积神经网络的磁片表面缺陷检测方法 | |
CN108918536B (zh) | 轮胎模具表面字符缺陷检测方法、装置、设备及存储介质 | |
CN111402226A (zh) | 一种基于级联卷积神经网络的表面疵点检测方法 | |
JP5546317B2 (ja) | 外観検査装置、外観検査用識別器の生成装置及び外観検査用識別器生成方法ならびに外観検査用識別器生成用コンピュータプログラム | |
CN111257341B (zh) | 基于多尺度特征与堆叠式全卷积网络的水下建筑物裂缝检测方法 | |
CN110473173A (zh) | 一种基于深度学习语义分割的缺陷检测方法 | |
CN111027547A (zh) | 一种针对二维图像中的多尺度多形态目标的自动检测方法 | |
WO2022236876A1 (zh) | 一种玻璃纸缺陷识别方法、***、装置及存储介质 | |
CN105740910A (zh) | 一种车辆物件检测方法及装置 | |
CN112233067A (zh) | 一种热轧钢卷端面质量检测方法及*** | |
CN112348787A (zh) | 物体缺陷检测模型的训练方法、物体缺陷检测方法及装置 | |
CN111127417B (zh) | 一种基于sift特征匹配和改进ssd算法的印刷缺陷检测方法 | |
CN114897816A (zh) | 基于改进掩膜的Mask R-CNN矿物颗粒识别以及粒度检测方法 | |
CN112150460A (zh) | 检测方法、检测***、设备和介质 | |
CN105223208B (zh) | 一种电路板检测模板及其制作方法、电路板检测方法 | |
CN112381175A (zh) | 一种基于图像处理的电路板识别与分析方法 | |
CN112200790B (zh) | 布料缺陷检测方法、设备和介质 | |
CN111080574A (zh) | 一种基于信息熵和视觉注意机制的织物疵点检测方法 | |
CN110554052A (zh) | 一种人造板表面缺陷检测方法及其*** | |
CN114005081A (zh) | 一种烟丝异物智能检测装置及方法 | |
CN112884741B (zh) | 一种基于图像相似性对比的印刷表观缺陷检测方法 | |
CN117636045A (zh) | 基于图像处理的木材缺陷检测*** | |
CN114066810A (zh) | 一种包装盒凹凸点缺陷检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170125 |