CN111598858A - 一种基于迁移学习的橡胶手套的检测方法及*** - Google Patents
一种基于迁移学习的橡胶手套的检测方法及*** Download PDFInfo
- Publication number
- CN111598858A CN111598858A CN202010395961.2A CN202010395961A CN111598858A CN 111598858 A CN111598858 A CN 111598858A CN 202010395961 A CN202010395961 A CN 202010395961A CN 111598858 A CN111598858 A CN 111598858A
- Authority
- CN
- China
- Prior art keywords
- rubber glove
- vgg16 model
- image
- parameter values
- transfer learning
- 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.)
- Granted
Links
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于迁移学习的橡胶手套的检测方法及***。所述方法包括:获取橡胶手套图像集;对所述橡胶手套图像训练集进行图像扩充,确定数据增强后的橡胶手套图像训练集;获取VGG16模型;根据所述数据增强后的橡胶手套图像训练集,采用迁移学习的方法训练所述VGG16模型,确定训练好的VGG16模型;获取待检测的橡胶手套图像;根据所述待检测的橡胶手套图像和所述训练好的VGG16模型确定所述待检测的橡胶手套图像的检测结果。本发明所提供的一种基于迁移学习的橡胶手套的检测方法及***,提高橡胶手套检测的准确性和效率。
Description
技术领域
本发明涉及橡胶手套油污缺陷检测领域,特别是涉及一种基于迁移学习的橡胶手套的检测方法及***。
背景技术
近年来,受医疗保健、食品卫生以及一些新兴行业的推动,橡胶手套的需求量日益增加。据统计,2017年全球橡胶手套总市场规模已达到2282亿件,预测会以8%-10%的增长率逐年增长。在如此庞大的市场需求之下,产品的质量问题成为重中之重,而质量检测也成为橡胶手套生产过程中不可或缺的关键环节。传统的橡胶手套缺陷判决方法分为两部分:其一,在手套脱离模具之前通过工作人员依靠肉眼检查是否有残次品;其二,在包装前按批次抽取部分产品进行检测。该方式受到工人专注度制约,导致检测精度低、效率低,且所需人工成本高,过程耗时耗力。
目前,计算机视觉在橡胶手套油污检测领域应用较少。主要方法有两类:一、颜色特征提取。由于油污本身颜色以黄色为主,检测图像中该类颜色成为判决方式之一。HSV颜色空间的3个分量(色调、饱和度、亮度)具有相对的独立性,H分量更能体现颜色色调特征,且S和V分量受光照影响较小。所以首先将原始图像从RGB颜色空间转换至HSV颜色空间,之后在三通道设置相应的先验阈值。该方法简便,运行速度快,但由于不同颜色手套上污渍颜色多样,深浅不一,导致难以设置最佳先验阈值,准确率低。二、HOG+SVM。李文文等根据油污缺陷的HOG特征作为决策依据,以此训练SVM分类器完成检测。该方法以油污区域的梯度方向直方图为特征,相比于颜色特征提取准确率提升明显,对硬件条件要求低,计算速率也满足流水线运作速度的要求。但对油污颜色较浅,油污区域靠近背景,油污面积小等情况误判率较高。
发明内容
本发明的目的是提供一种基于迁移学习的橡胶手套的检测方法及***,提高橡胶手套检测的准确性和效率。
为实现上述目的,本发明提供了如下方案:
一种基于迁移学习的橡胶手套的检测方法,包括:
获取橡胶手套图像集;所述橡胶手套图像集包括橡胶手套图像训练集和橡胶手套图像测试集;
对所述橡胶手套图像训练集进行图像扩充,确定数据增强后的橡胶手套图像训练集;所述图像扩充包括:翻转、旋转、添加高斯噪声和亮度变换;
获取VGG16模型;所述VGG16模型包括13个卷积层、两个全连接层和softmax;
根据所述数据增强后的橡胶手套图像训练集,采用迁移学习的方法训练所述VGG16模型,确定训练好的VGG16模型;所述训练好的VGG16模型以所述橡胶手套图像测试集为输入,以检测结果为输出;所述检测结果包括有油污缺陷和无油污缺陷;
获取待检测的橡胶手套图像;
根据所述待检测的橡胶手套图像和所述训练好的VGG16模型确定所述待检测的橡胶手套图像的检测结果。
可选的,所述根据所述数据增强后的橡胶手套图像训练集,采用迁移学习的方法训练所述VGG16模型,确定训练好的VGG16模型,具体包括:
加载所述VGG16模型的卷积层在ImageNet上训练后的权重及偏置;
将所述权重和所述偏置作为所述VGG16模型的第1-10个卷积层的参数值;
根据所述数据增强后的橡胶手套图像训练集,采用迁移学习的方法训练第11-13个卷积层、两个全连接层及softmax,确定第11-13个卷积层参数值、两个全连接层的参数值及softmax;
根据所述第1-10个卷积层的参数值、所述第11-13个卷积层参数值、所述两个全连接层的参数值及所述softmax确定训练好的VGG16模型。
可选的,所述根据所述数据增强后的橡胶手套图像训练集,采用迁移学习的方法训练第11-13个卷积层、两个全连接层及softmax,确定第11-13个卷积层参数值、两个全连接层的参数值及softmax,具体还包括:
采用Relu激活函数,训练第11-13个卷积层、两个全连接层。
可选的,所述根据所述数据增强后的橡胶手套图像训练集,采用迁移学习的方法训练第11-13个卷积层、两个全连接层及softmax,确定第11-13个卷积层参数值、两个全连接层的参数值及softmax,具体还包括:
采用dropout操作,随机删除所述VGG16模型中全连接层的部分神经元。
可选的,所述根据所述数据增强后的橡胶手套图像训练集,采用迁移学习的方法训练第11-13个卷积层、两个全连接层及softmax,确定第11-13个卷积层参数值、两个全连接层的参数值及softmax,具体还包括:
采用优化器Adam;所述优化器Adam的学习率为0.00001。
可选的,所述根据所述数据增强后的橡胶手套图像训练集,采用迁移学习的方法训练所述VGG16模型,确定训练好的VGG16模型,之后还包括:
根据所述橡胶手套图像测试集验证所述训练好的VGG16模型。
一种基于迁移学习的橡胶手套的检测***,包括:
橡胶手套图像集获取模块,用于获取橡胶手套图像集;所述橡胶手套图像集包括橡胶手套图像训练集和橡胶手套图像测试集;
数据增强后的橡胶手套图像训练集确定模块,用于对所述橡胶手套图像训练集进行图像扩充,确定数据增强后的橡胶手套图像训练集;所述图像扩充包括:翻转、旋转、添加高斯噪声和亮度变换;
VGG16模型获取模块,用于获取VGG16模型;所述VGG16模型包括13个卷积层、两个全连接层和softmax;
训练好的VGG16模型确定模块,用于根据所述数据增强后的橡胶手套图像训练集,采用迁移学习的方法训练所述VGG16模型,确定训练好的VGG16模型;所述训练好的VGG16模型以所述橡胶手套图像测试集为输入,以检测结果为输出;所述检测结果包括有油污缺陷和无油污缺陷;
待检测的橡胶手套图像获取模块,用于获取待检测的橡胶手套图像;
待检测的橡胶手套图像的检测结果确定模块,用于根据所述待检测的橡胶手套图像和所述训练好的VGG16模型确定所述待检测的橡胶手套图像的检测结果。
可选的,所述训练好的VGG16模型确定模块具体包括:
权重及偏置确定单元,用于加载所述VGG16模型的卷积层在ImageNet上训练后的权重及偏置;
第一参数值确定单元,用于将所述权重和所述偏置作为所述VGG16模型的第1-10个卷积层的参数值;
第二参数值确定单元,用于根据所述数据增强后的橡胶手套图像训练集,采用迁移学习的方法训练第11-13个卷积层、两个全连接层及softmax,确定第11-13个卷积层参数值、两个全连接层的参数值及softmax;
训练好的VGG16模型确定单元,用于根据所述第1-10个卷积层的参数值、所述第11-13个卷积层参数值、所述两个全连接层的参数值及所述softmax确定训练好的VGG16模型。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明所提供的一种基于迁移学习的橡胶手套的检测方法及***,通过获取VGG16模型;所述VGG16模型包括13个卷积层、两个全连接层和softmax;即在传统VGG16模型三个全连接层基础上重新设计顶层结构,并基于迁移学习的方法,并以数据增强后的橡胶手套图像训练集训练所述VGG16模型。可以大大缩短训练时间,减少模型大小,提高单张图像检测速度。进而提高了橡胶手套检测的准确性和效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所提供的一种基于迁移学习的橡胶手套的检测方法流程示意图;
图2为本发明所提供的VGG16模型的结构示意图;
图3为本发明所提供的一种基于迁移学习的橡胶手套的检测***结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明的目的是提供一种基于迁移学习的橡胶手套的检测方法及***,提高橡胶手套检测的准确性和效率。
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。
图1为本发明所提供的一种基于迁移学习的橡胶手套的检测方法流程示意图,如图1所示,本发明所提供的一种基于迁移学习的橡胶手套的检测方法,包括:
S101,获取橡胶手套图像集;所述橡胶手套图像集包括橡胶手套图像训练集和橡胶手套图像测试集。所述橡胶手套图像集包括有油污缺陷的和无油污缺陷的。
在具体的实施例中,所述橡胶手套图像集共2154张图片,其中,橡胶手套图像训练集1386张,橡胶手套图像测试集768张。其中白、蓝、紫三种颜色手套图片各718张。油污缺陷手套图片中,油污出现位置各异,区域大小不定,存在点状、线条状、面状等情况。且出现在不同颜色手套上的油污呈现色彩不一,深浅不一。
S102,对所述橡胶手套图像训练集进行图像扩充,确定数据增强后的橡胶手套图像训练集;所述图像扩充包括:翻转、旋转、添加高斯噪声和亮度变换。数据增强后的橡胶手套图像训练集是将橡胶手套图像训练集扩大了8倍。
S103,获取VGG16模型;所述VGG16模型包括13个卷积层、两个全连接层和softmax。所述VGG16模型结构如图2所示。两个全连接层的神经元个数依次为1024,2个。本发明所述的VGG16模型将传统模型三个全连接层改为两个,并大大减少其中神经元个数。可以减少模型参数数量,降低计算资源,提高训练效率。
S104,根据所述数据增强后的橡胶手套图像训练集,采用迁移学习的方法训练所述VGG16模型,确定训练好的VGG16模型;所述训练好的VGG16模型以所述橡胶手套图像测试集为输入,以检测结果为输出;所述检测结果包括有油污缺陷和无油污缺陷。
加载所述VGG16模型的卷积层在ImageNet上训练后的权重及偏置。
将所述权重和所述偏置作为所述VGG16模型的第1-10个卷积层的参数值。
根据所述数据增强后的橡胶手套图像训练集,采用迁移学习的方法训练第11-13个卷积层、两个全连接层及softmax,确定第11-13个卷积层参数值、两个全连接层的参数值及softmax;即本发明所述VGG16模型的最后三个卷积层参数值是由橡胶手套数据集训练得来,即提取了橡胶手套图片的特征信息,更具针对性。
采用Relu激活函数,训练第11-13个卷积层、两个全连接层。所述Relu激活函数同一时间激活部分神经元,具有加快模型训练速度的作用。
采用dropout操作,随机删除所述VGG16模型中全连接层的部分神经元。进一步,防止过拟合。
采用优化器Adam;所述优化器Adam的学习率为0.00001。
根据所述第1-10个卷积层的参数值、所述第11-13个卷积层参数值、所述两个全连接层的参数值及所述softmax确定训练好的VGG16模型。
S105,获取待检测的橡胶手套图像。
S106,根据所述待检测的橡胶手套图像和所述训练好的VGG16模型确定所述待检测的橡胶手套图像的检测结果。
根据所述橡胶手套图像测试集验证所述训练好的VGG16模型。
表1为HSV、HOG+SVM、传统VGG16模型和本发明所提供的VGG16模型进行橡胶手套检测结果的对比,如表1所示,本发明所提供的检测方法在适用于白色、蓝色、紫色等橡胶手套的油污检测同时,提高了检测效率和准确性。表1具体如下:
表1
图3为本发明所提供的一种基于迁移学习的橡胶手套的检测***结构示意图,如图3所示,本发明所提供的一种基于迁移学习的橡胶手套的检测***,包括:橡胶手套图像集获取模块301、数据增强后的橡胶手套图像训练集确定模块302、VGG16模型获取模块303、训练好的VGG16模型确定模块304、待检测的橡胶手套图像获取模块305和待检测的橡胶手套图像的检测结果确定模块306。
橡胶手套图像集获取模块301用于获取橡胶手套图像集;所述橡胶手套图像集包括橡胶手套图像训练集和橡胶手套图像测试集。
数据增强后的橡胶手套图像训练集确定模块302用于对所述橡胶手套图像训练集进行图像扩充,确定数据增强后的橡胶手套图像训练集;所述图像扩充包括:翻转、旋转、添加高斯噪声和亮度变换。
VGG16模型获取模块303用于获取VGG16模型;所述VGG16模型包括13个卷积层、两个全连接层和softmax。
训练好的VGG16模型确定模块304用于根据所述数据增强后的橡胶手套图像训练集,采用迁移学习的方法训练所述VGG16模型,确定训练好的VGG16模型;所述训练好的VGG16模型以橡胶手套图像测试集为输入,以检测结果为输出;所述检测结果包括有油污缺陷和无油污缺陷。
待检测的橡胶手套图像获取模块305用于获取待检测的橡胶手套图像。
待检测的橡胶手套图像的检测结果确定模块306用于根据所述待检测的橡胶手套图像和所述训练好的VGG16模型确定所述待检测的橡胶手套图像的检测结果。
所述训练好的VGG16模型确定模块具体包括:权重及偏置确定单元、第一参数值确定单元、第二参数值确定单元和训练好的VGG16模型确定单元。
权重及偏置确定单元用于加载所述VGG16模型的卷积层在ImageNet上训练后的权重及偏置。
第一参数值确定单元用于将所述权重和所述偏置作为所述VGG16模型的第1-10个卷积层的参数值。
第二参数值确定单元用于根据所述数据增强后的橡胶手套图像训练集,采用迁移学习的方法训练第11-13个卷积层、两个全连接层及softmax,确定第11-13个卷积层参数值、两个全连接层的参数值及softmax。
训练好的VGG16模型确定单元用于根据所述第1-10个卷积层的参数值、所述第11-13个卷积层参数值、所述两个全连接层的参数值及所述softmax确定训练好的VGG16模型。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于迁移学习的橡胶手套的检测方法,其特征在于,包括:
获取橡胶手套图像集;所述橡胶手套图像集包括橡胶手套图像训练集和橡胶手套图像测试集;
对所述橡胶手套图像训练集进行图像扩充,确定数据增强后的橡胶手套图像训练集;所述图像扩充包括:翻转、旋转、添加高斯噪声和亮度变换;
获取VGG16模型;所述VGG16模型包括13个卷积层、两个全连接层和softmax;
根据所述数据增强后的橡胶手套图像训练集,采用迁移学习的方法训练所述VGG16模型,确定训练好的VGG16模型;所述训练好的VGG16模型以所述橡胶手套图像测试集为输入,以检测结果为输出;所述检测结果包括有油污缺陷和无油污缺陷;
获取待检测的橡胶手套图像;
根据所述待检测的橡胶手套图像和所述训练好的VGG16模型确定所述待检测的橡胶手套图像的检测结果。
2.根据权利要求1所述的一种基于迁移学习的橡胶手套的检测方法,其特征在于,所述根据所述数据增强后的橡胶手套图像训练集,采用迁移学习的方法训练所述VGG16模型,确定训练好的VGG16模型,具体包括:
加载所述VGG16模型的卷积层在ImageNet上训练后的权重及偏置;
将所述权重和所述偏置作为所述VGG16模型的第1-10个卷积层的参数值;
根据所述数据增强后的橡胶手套图像训练集,采用迁移学习的方法训练第11-13个卷积层、两个全连接层及softmax,确定第11-13个卷积层参数值、两个全连接层的参数值及softmax;
根据所述第1-10个卷积层的参数值、所述第11-13个卷积层参数值、所述两个全连接层的参数值及所述softmax确定训练好的VGG16模型。
3.根据权利要求2所述的一种基于迁移学习的橡胶手套的检测方法,其特征在于,所述根据所述数据增强后的橡胶手套图像训练集,采用迁移学习的方法训练第11-13个卷积层、两个全连接层及softmax,确定第11-13个卷积层参数值、两个全连接层的参数值及softmax,具体还包括:
采用Relu激活函数,训练第11-13个卷积层、两个全连接层。
4.根据权利要求2所述的一种基于迁移学习的橡胶手套的检测方法,其特征在于,所述根据所述数据增强后的橡胶手套图像训练集,采用迁移学习的方法训练第11-13个卷积层、两个全连接层及softmax,确定第11-13个卷积层参数值、两个全连接层的参数值及softmax,具体还包括:
采用dropout操作,随机删除所述VGG16模型中的部分神经元。
5.根据权利要求2所述的一种基于迁移学习的橡胶手套的检测方法,其特征在于,所述根据所述数据增强后的橡胶手套图像训练集,采用迁移学习的方法训练第11-13个卷积层、两个全连接层及softmax,确定第11-13个卷积层参数值、两个全连接层的参数值及softmax,具体还包括:
采用优化器Adam;所述优化器Adam的学习率为0.00001。
6.根据权利要求1所述的一种基于迁移学习的橡胶手套的检测方法,其特征在于,所述根据所述数据增强后的橡胶手套图像训练集,采用迁移学习的方法训练所述VGG16模型,确定训练好的VGG16模型,之后还包括:
根据所述橡胶手套图像测试集验证所述训练好的VGG16模型。
7.一种基于迁移学习的橡胶手套的检测***,其特征在于,包括:
橡胶手套图像集获取模块,用于获取橡胶手套图像集;所述橡胶手套图像集包括橡胶手套图像训练集和橡胶手套图像测试集;
数据增强后的橡胶手套图像训练集确定模块,用于对所述橡胶手套图像训练集进行图像扩充,确定数据增强后的橡胶手套图像训练集;所述图像扩充包括:翻转、旋转、添加高斯噪声和亮度变换;
VGG16模型获取模块,用于获取VGG16模型;所述VGG16模型包括13个卷积层、两个全连接层和softmax;
训练好的VGG16模型确定模块,用于根据所述数据增强后的橡胶手套图像训练集,采用迁移学习的方法训练所述VGG16模型,确定训练好的VGG16模型;所述训练好的VGG16模型以所述橡胶手套图像测试集为输入,以检测结果为输出;所述检测结果包括有油污缺陷和无油污缺陷;
待检测的橡胶手套图像获取模块,用于获取待检测的橡胶手套图像;
待检测的橡胶手套图像的检测结果确定模块,用于根据所述待检测的橡胶手套图像和所述训练好的VGG16模型确定所述待检测的橡胶手套图像的检测结果。
8.根据权利要求7所述的一种基于迁移学习的橡胶手套的检测***,其特征在于,所述训练好的VGG16模型确定模块具体包括:
权重及偏置确定单元,用于加载所述VGG16模型的卷积层在ImageNet上训练后的权重及偏置;
第一参数值确定单元,用于将所述权重和所述偏置作为所述VGG16模型的第1-10个卷积层的参数值;
第二参数值确定单元,用于根据所述数据增强后的橡胶手套图像训练集,采用迁移学习的方法训练第11-13个卷积层、两个全连接层及softmax,确定第11-13个卷积层参数值、两个全连接层的参数值及softmax;
训练好的VGG16模型确定单元,用于根据所述第1-10个卷积层的参数值、所述第11-13个卷积层参数值、所述两个全连接层的参数值及所述softmax确定训练好的VGG16模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010395961.2A CN111598858B (zh) | 2020-05-12 | 2020-05-12 | 一种基于迁移学习的橡胶手套的检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010395961.2A CN111598858B (zh) | 2020-05-12 | 2020-05-12 | 一种基于迁移学习的橡胶手套的检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111598858A true CN111598858A (zh) | 2020-08-28 |
CN111598858B CN111598858B (zh) | 2023-05-16 |
Family
ID=72183645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010395961.2A Active CN111598858B (zh) | 2020-05-12 | 2020-05-12 | 一种基于迁移学习的橡胶手套的检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598858B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113781430A (zh) * | 2021-09-09 | 2021-12-10 | 北京云屿科技有限公司 | 一种基于深度学习的手套表面缺陷检测方法及*** |
CN115239725A (zh) * | 2022-09-22 | 2022-10-25 | 张家港大裕橡胶制品有限公司 | 一种橡胶手套胶浸涂层视觉监测方法及*** |
CN117635547A (zh) * | 2023-11-15 | 2024-03-01 | 河北省科学院应用数学研究所 | 医用手套外观缺陷检测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180068429A1 (en) * | 2015-04-15 | 2018-03-08 | Institute Of Automation Chinese Academy Of Sciences | Image Steganalysis Based on Deep Learning |
CN109902613A (zh) * | 2019-02-23 | 2019-06-18 | 重庆邮电大学 | 一种基于迁移学习和图像增强的人体特征提取方法 |
US20190220746A1 (en) * | 2017-08-29 | 2019-07-18 | Boe Technology Group Co., Ltd. | Image processing method, image processing device, and training method of neural network |
CN111127390A (zh) * | 2019-10-21 | 2020-05-08 | 哈尔滨医科大学 | 基于迁移学习的x射线影像处理方法及*** |
-
2020
- 2020-05-12 CN CN202010395961.2A patent/CN111598858B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180068429A1 (en) * | 2015-04-15 | 2018-03-08 | Institute Of Automation Chinese Academy Of Sciences | Image Steganalysis Based on Deep Learning |
US20190220746A1 (en) * | 2017-08-29 | 2019-07-18 | Boe Technology Group Co., Ltd. | Image processing method, image processing device, and training method of neural network |
CN109902613A (zh) * | 2019-02-23 | 2019-06-18 | 重庆邮电大学 | 一种基于迁移学习和图像增强的人体特征提取方法 |
CN111127390A (zh) * | 2019-10-21 | 2020-05-08 | 哈尔滨医科大学 | 基于迁移学习的x射线影像处理方法及*** |
Non-Patent Citations (1)
Title |
---|
邢家源;张军;薛晨兴;雷雨婷;孙彦;: "迁移学习场景下的实时停车位置检测", 天津职业技术师范大学学报 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113781430A (zh) * | 2021-09-09 | 2021-12-10 | 北京云屿科技有限公司 | 一种基于深度学习的手套表面缺陷检测方法及*** |
CN113781430B (zh) * | 2021-09-09 | 2023-08-25 | 北京云屿科技有限公司 | 一种基于深度学习的手套表面缺陷检测方法及*** |
CN115239725A (zh) * | 2022-09-22 | 2022-10-25 | 张家港大裕橡胶制品有限公司 | 一种橡胶手套胶浸涂层视觉监测方法及*** |
CN117635547A (zh) * | 2023-11-15 | 2024-03-01 | 河北省科学院应用数学研究所 | 医用手套外观缺陷检测方法及装置 |
CN117635547B (zh) * | 2023-11-15 | 2024-05-14 | 河北省科学院应用数学研究所 | 医用手套外观缺陷检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111598858B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111179251B (zh) | 基于孪生神经网络利用模板比对的缺陷检测***及方法 | |
CN111598858A (zh) | 一种基于迁移学习的橡胶手套的检测方法及*** | |
WO2022236876A1 (zh) | 一种玻璃纸缺陷识别方法、***、装置及存储介质 | |
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 | |
CN111784633B (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN111932501A (zh) | 一种基于语义分割的密封圈表面缺陷检测方法 | |
CN109308700A (zh) | 一种基于印刷品字符的视觉识别缺陷检测方法 | |
CN114240939B (zh) | 一种主板元器件外观缺陷检测方法、***、设备及介质 | |
CN111242896A (zh) | 一种彩色印刷标签缺陷检测与质量评级方法 | |
CN112132196B (zh) | 一种结合深度学习和图像处理的烟盒缺陷识别方法 | |
CN112233067A (zh) | 一种热轧钢卷端面质量检测方法及*** | |
CN108181316A (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN112150460A (zh) | 检测方法、检测***、设备和介质 | |
CN112529901B (zh) | 一种复杂环境下的裂缝识别方法 | |
CN111127454A (zh) | 基于深度学习生成工业缺陷样本的方法及*** | |
CN114266743A (zh) | 基于hsv和cnn的fpc缺陷检测方法、***及存储介质 | |
CN113077416A (zh) | 一种基于图像处理的焊点焊接缺陷检测方法与*** | |
CN115294109A (zh) | 基于人工智能的实木板材生产缺陷识别***、电子设备 | |
Chavan et al. | Quality control of PCB using image processing | |
CN111882547A (zh) | 一种基于神经网络的pcb漏件检测方法 | |
CN114708247A (zh) | 基于深度学习的烟盒包装缺陷识别方法和装置 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN110136098B (zh) | 一种基于深度学习的线缆顺序检测方法 | |
CN115953387A (zh) | 一种基于深度学习的射线图像焊缝缺陷检测方法 | |
CN115861259A (zh) | 一种基于模板匹配的引线框架表面缺陷检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |