CN114140373A - 一种基于LabVIEW深度学习的开关缺陷检测方法 - Google Patents
一种基于LabVIEW深度学习的开关缺陷检测方法 Download PDFInfo
- Publication number
- CN114140373A CN114140373A CN202110667305.8A CN202110667305A CN114140373A CN 114140373 A CN114140373 A CN 114140373A CN 202110667305 A CN202110667305 A CN 202110667305A CN 114140373 A CN114140373 A CN 114140373A
- Authority
- CN
- China
- Prior art keywords
- image
- model
- edge
- labview
- deep 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.)
- Withdrawn
Links
- 230000007547 defect Effects 0.000 title claims abstract description 82
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000013135 deep learning Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000001914 filtration Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 24
- 238000003708 edge detection Methods 0.000 claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 230000008014 freezing Effects 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005555 metalworking Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于LabVIEW深度学习的开关缺陷检测方法，包括：S1图像采集：获取待测开关图像；S2图像去噪：对待测图像进行滤波，获得去噪后图像；S3图像增强：对去噪后的图像进行图像增强；S4边缘检测：采用Sobel边缘检测算子，对图像中的缺陷进行识别，获取对缺陷进行边缘识别；S5识别分类：采用LabVIEW对边缘识别后的缺陷进行深度学习训练，获取缺陷信息。本发明利用图像采集、图像去噪、图像增强、边缘检测、识别分类，实现对多种开关缺陷的智能识别，替代人工检测识别过程，进而降低人工成本。
Description
技术领域
本发明涉及一种视觉检测方法，特别是涉及一种基于LabVIEW深度学习的开关缺陷检测方法。
背景技术
电子元器件的制造工艺、检测标准以及检测人员素质或检测设备的好坏直接决定出产的产品是否合格。在电子元器件生产加工过程中，需要经过复杂的工艺处理，在多重工序处理下，电子元器件表面不可避免会出现损伤，而这些将造成电子元器件的表面缺陷，近年来，器件集成度高，电子元器件更是以贴片为主要方向，而表面缺陷的检测工作一般依靠人工完成。
随着计算机技术，相机技术和数字图像处理技术的飞速发展，机器视觉技术也在发生着翻天覆地的变化，在现代制造业中发挥着不可替代的作用。在现代社会中，机器视觉技术在建筑、化妆品、金属加工、电子制造、包装、汽车制造制、药等各行各业中都得到了广泛的应用。例如，在医学领域，最典型的应用就是核磁共振图像，它可以利用一定的医疗器械显示人体内部的图像。在影视领域，我们经常看的3D电影就是机器视觉的一个重要分支--虚拟现实。在工业生产中，机器视觉可以自动实现对产品缺陷的检测，极大地减少了人力物力，提高了生产效率。在无人驾驶领域，机器视觉技术可以检测周围复杂的情况，从而让汽车做出正确的判断。在识别领域，比如手机中的脸部识别和语音识别，都运用了机器视觉技术。通俗来说，机器视觉就是利用一定的机器设备来代替人的眼睛，从而实现观察、测量、理解、判断等一系列只有人可以完成的行为。传统的视觉算法受打光以及图像的边缘对比度影响，无法做到人眼的分辨效果，而且人具有学习能力，经过大量样本的学习，人就可以找到不同物体之间的细微差别，从而分辨出物体的类别。CNN就是模拟人的大脑神经元结构，用计算机构造的简化了的人脑神经网络模型，其主要用于图像分类和识别。
LabVIEW是一个广泛应用于工业自动化测控领域的编程平台，其具有很多不同行业的算法库，例如vision视觉库，集成了常用的视觉算法。其编程特点是上手快，开发效率高，兼容性强，能快速调用c++，c#等平台的dll类库。如何将LabVIEW与深度学习结合起来，来解决视觉行业越来越复杂的应用场景所遇到的困难。LabVIEW中有一个视觉开发模块(Vision Development Module)，不仅包含传统的机器视觉算法，还具有一个TensorFlow模型导入器，可以导入TensorFlow深度学习模型，轻松实现深度学习应用。
受环境、光照、生产工艺和噪声等多重因素影响，检测***的信噪比一般较低，微弱信号难以检出或不能与噪声有效区分。如何构建稳定、可靠、鲁棒的检测***，以适应光照变化、噪声以及其他外界不良环境的干扰，是要解决的问题之一。
2)由于检测对象多样、表面缺陷种类繁多、形态多样、复杂背景，对于众多缺陷类型产生的机理以及其外在表现形式之间的关系尚不明确，致使对缺陷的描述不充分，缺陷的特征提取有效性不高，缺陷目标分割困难；同时，很难找到“标准”图像作为参照，这给缺陷的检测和分类带来困难，造成识别率尚有待提高。
3)机器视觉表面缺陷检测，特别是在线检测，其特点是数据量庞大、冗余信息多、特征空间维度高，同时考虑到真正的机器视觉面对的对象和问题的多样性，从海量数据中提取有限缺陷信息的算法能力不足，实时性不高。
4)与机器视觉表面检测密切相关的人工智能理论虽然得到了很大的发展，但如何模拟人类大脑的信息处理功能去构建智能机器视觉***还需要理论上的进一步研究，如何更好的基于生物视觉认识、指导机器视觉得检测也是研究人员的难点之一。
5)从机器视觉表面检测的准确性方面来看，尽管一系列优秀的算法不断出现，但在实际应用中准确率仍然与满足实际应用的需求尚有一定差距，如何解决准确识别与模糊特征之间、实时性与准确性之间的矛盾仍然是目前的难点。
发明内容
本发明提供了一种基于LabVIEW深度学习的开关缺陷检测方法，以至少对电控开关缺陷(如螺丝安装不到位等缺陷)检测的智能识别。
本发明提供了一种基于LabVIEW深度学习的开关缺陷检测方法，包括：
S1图像采集：获取待测开关图像；
S2图像去噪：对待测图像进行滤波，获得去噪后图像；
S3图像增强：对去噪后的图像进行图像增强；
S4边缘检测：采用Sobel边缘检测算子，对图像中的缺陷进行识别，获取对缺陷进行边缘识别；
S5识别分类：采用LabVIEW对边缘识别后的缺陷进行深度学习训练，获取缺陷信息。
进一步地，所述S2图像去噪中，滤波为中值滤波技术。
更进一步地，所述中值滤波技术为均值滤波、中值滤波、高斯滤波、双边滤波、小波滤波中的一种或多种。
进一步地，所述S3图像增强包括：
S301增强过程：采用Sin函数的非线性变换，对去噪后图像的灰度进行拉伸变换，对变换后图像进行分割，提取待测开关所在的目标区域。
更进一步地，所述S3图像增强还包括：
S302动态阈值分割过程：对S301所得结果，采用最小二乘法原理进行二值化分割，将图像的像素值按阈值T分为0C和1C，通过运算获得最小类内方差和最大类间方差，完成阈值的分割，实现动态阈值分割。
进一步地，所述S4边缘检测包括：
采用Sobel检测算子，逐一分析比较图像中每个像素在邻域内的灰度变化大小，利用像素边缘灰度值的一阶或二阶导数确定极值和变化趋势，确定边缘。
更进一步地，所述采用Sobel检测算子，逐一分析比较图像中每个像素在邻域内的灰度变化大小，利用像素边缘灰度值的一阶或二阶导数确定极值和变化趋势，确定边缘包括：
采用Sobel检测算子，对在二值化分割后的图像中使用3×3的卷积核，进行卷积运算，完成水平方向和垂直方向的偏导数的计算，根据一阶偏导数在边缘点处可以达到极值的原理对图像中所含的缺陷边缘进行检测，获取缺陷边缘。
进一步地，所述S5识别分类包括：
S501采用卷积神经网络，利用卷积神经网络中的全连接层对图像中的特征进行提取；
S502采用Softmax分类器对特征进行识别，获得图像缺陷。
更进一步地，所述卷积神经网络包括模型单元；
所述模型单元的获取流程如下：
S601模型预训练：获取相关领域的挑战性图像，作为源域数据集，通过对源域数据集进行模型预训练，获得预训练模型；
S602模型迁移：在预训练模型上保留其卷积层和池化层的参数作为冻结层，改变预训练模型的全连接层和输入图像大小，以适应待测开关的输入需求和缺陷识别种类，并进行重新训练，完成分类识别任务，获得调节模型；
S603模型微调：对调节模型的训练过程进行初始化，并采用反向传播算法和随机梯度下降算法对模型进行微调，校正参数，直至完成训练任务或达到训练结束条件，得到泛化能力优秀的模型，作为模型单元。
更进一步地，所述源域数据集中相关领域的挑战性图像包括缺陷开关图像及缺陷的具体信息。
本发明相对于现有技术，利用图像采集、图像去噪、图像增强、边缘检测、识别分类，实现对多种开关缺陷的智能识别，替代人工检测识别过程，进而降低人工成本。
附图说明
图1为本发明实施例流程图；
图2为本发明实施例模型单元的获取流程。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将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的实施例，而不是全部的实施例。
本发明实施例公开了一种基于LabVIEW深度学习的开关缺陷检测方法，如图1所示，包括：
S1图像采集：获取待测开关图像；
其中，可采用工业相机对开关进行拍照；
S2图像去噪：对待测图像进行滤波，获得去噪后图像；
S3图像增强：对去噪后的图像进行图像增强；
S4边缘检测：采用Sobel边缘检测算子，对图像中的缺陷进行识别，获取对缺陷进行边缘识别；
其中，通过Sobel边缘检测算子对处理后的图像中含有的缺陷进行检测，根据灰度值差异和二维坐标对缺陷大小和位置进行计算定位通过Sobel边缘检测算子对处理后的图像中含有的缺陷进行检测，根据灰度值差异和二维坐标对缺陷大小和位置进行计算定位；
S5识别分类：采用LabVIEW对边缘识别后的缺陷进行深度学习训练，获取缺陷信息，并识别分类输出。
本发明实施例利用图像采集、图像去噪、图像增强、边缘检测、识别分类，实现对多种开关缺陷的智能识别，替代人工检测识别过程，进而降低人工成本。
可选的，所述S2图像去噪中，滤波为中值滤波技术。
特别的，所述中值滤波技术为均值滤波、中值滤波、高斯滤波、双边滤波、小波滤波中的一种或多种。
本发明实施例的中值滤波技术能够有效抑制脉冲干扰，在处理过程中能够有效保留图像的边缘信息。
可选的，所述S3图像增强包括：
S301增强过程：采用Sin函数的非线性变换，对去噪后图像的灰度进行拉伸变换，对变换后图像进行分割，提取待测开关所在的目标区域。
其中，Sin函数变换的曲线特征是上峰值区域和下峰值区域的变化平缓，中间变化梯度较大，利用Sin函数对去噪后图像的灰度进行拉伸，可将处于平均值两侧的灰度值分别向两端进行变换图像分割，图像分割能够将图像中的目标区域与其余部分分割开来，并提取出待测开关所在目标区域。
特别的，所述S3图像增强还包括：
S302动态阈值分割过程：对S301所得结果，采用最小二乘法原理进行二值化分割，将图像的像素值按阈值T分为0C和1C，通过运算获得最小类内方差和最大类间方差，完成阈值的分割，实现动态阈值分割。
可选的，所述S4边缘检测包括：
采用Sobel检测算子，逐一分析比较图像中每个像素在邻域内的灰度变化大小，利用像素边缘灰度值的一阶或二阶导数确定极值和变化趋势，确定边缘。
其中，图像中灰度的变化尺度较大的区域即为图像的边缘，包含图像中的方向、阶跃性质和形状等信息，边缘检测根据图像灰度变化的阶跃性物理量特征来表征图像中灰度变化的过程，通过确定和提取边缘信息检测边缘像素，进而分离出图像中的前景和背景常用的边缘提取算法是逐一的分析比较图像中每个像素在邻域内的灰度变化大小，利用像素边缘灰度值的一阶和二阶导数确定极值和变化趋势进而检测边缘，灰度变化较为明显的图像适合一阶导数的边缘检测，而二阶导数主要适用于灰度出现阶跃性变化的情况。
特别的，所述采用Sobel检测算子，逐一分析比较图像中每个像素在邻域内的灰度变化大小，利用像素边缘灰度值的一阶或二阶导数确定极值和变化趋势，确定边缘包括：
采用Sobel检测算子，对在二值化分割后的图像中使用3×3的卷积核，进行卷积运算，完成水平方向和垂直方向的偏导数的计算，根据一阶偏导数在边缘点处可以达到极值的原理对图像中所含的缺陷边缘进行检测，获取缺陷边缘。
本发明实施例利用大津法分割获得的二值化图像边缘灰度变化明显，可采用Sobel检测算子对图像的边缘进行检测，在二值化分割后的图像中使用3×3的卷积核对图像进行卷积运算，完成水平方向和垂直方向的偏导数的计算，根据一阶偏导数在边缘点处可以达到极值的原理对图像中所含的缺陷边缘进行检测Sobel算子在边缘特征计算过程中能够有效的抑制噪声，在平滑噪声方面具有良好的能力。
可选的，所述S5识别分类包括：
S501采用卷积神经网络，利用卷积神经网络中的全连接层对图像中的特征进行提取；
S502采用Softmax分类器对特征进行识别，获得图像缺陷。
在缺陷识别过程中，采用人工方式设计出有效缺陷特征组合进而使用模式识别方法进行缺陷识别的过程出现了瓶颈，在泛化能力及识别准确率方面很难达到更高的要求。为解决焊缝缺陷的识别问题，本发明实施例采用深度学习，利用LabVIEW中开发TensorFlow深度学习程序，主要有两步：第一步，使用TensorFlow训练深度学习模型单元；此过程中，NI视觉开发模块并没有对应的软件工具，训练TensorFlow模型并导出模型导入器需要的*.pb文件；第二步：将深度学习模型部署至NI硬件。
如图2所示，所述模型单元的获取流程如下：
S601模型预训练：获取相关领域的挑战性图像，作为源域数据集，通过对源域数据集进行模型预训练，获得预训练模型；
其中，所述源域数据集中相关领域的挑战性图像包括缺陷开关图像及缺陷的具体信息。
例如Image Net上训练的图像分类识别模型，该数据集含有足够的图像数据资源，使VGG16模型通过源域数据集的训练得到各层权重参数。
S602模型迁移：在预训练模型上保留其卷积层和池化层的参数作为冻结层，改变预训练模型的全连接层和输入图像大小，以适应待测开关的输入需求和缺陷识别种类，并进行重新训练，完成分类识别任务，获得调节模型；
其中，根据待测开关的输入需求和缺陷类型，对全连接层和输入图像进行调节；
S603模型微调：对调节模型的训练过程进行初始化，并采用反向传播算法和随机梯度下降算法对模型进行微调，校正参数，直至完成训练任务或达到训练结束条件，得到泛化能力优秀的模型，作为模型单元。
其中，以待测开关的缺陷图像进行反向传播算法，将缺陷结果做为训练结束条件，实现对模型的微调，在模型可根据待测开关的缺陷图像准确识别缺陷后，确认达到训练结束条件，获得模型单元。
本发明实施例的模型微调过程使模型可适应待测开关的特点，形成针对待测开关缺陷适应的模型单元，方便使用者根据测试需要对模型单元进行有效调节。同时，本发明实施例采用改进的卷积神经网络以降低图像的局部信息冗余和训练耗时，提高模型的识别率。为解决训练数据的标注和训练时间问题，采用迁移学习，将源域上训练好的模型通过简单的调节及超参数调整使其能够适用于目标域的图像识别问题。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解，技术人员阅读本申请说明书后依然可以对本发明的具体实施方式进行修改或者等同替换，但这些修改或变更均未脱离本发明申请待批权利要求保护范围之内。
Claims (10)
1.一种基于LabVIEW深度学习的开关缺陷检测方法，其特征在于，包括：
S1图像采集：获取待测开关图像；
S2图像去噪：对待测图像进行滤波，获得去噪后图像；
S3图像增强：对去噪后的图像进行图像增强；
S4边缘检测：采用Sobel边缘检测算子，对图像中的缺陷进行识别，获取对缺陷进行边缘识别；
S5识别分类：采用LabVIEW对边缘识别后的缺陷进行深度学习训练，获取缺陷信息。
2.根据权利要求1所述一种基于LabVIEW深度学习的开关缺陷检测方法，其特征在于，所述S2图像去噪中，滤波为中值滤波技术。
3.根据权利要求2所述一种基于LabVIEW深度学习的开关缺陷检测方法，其特征在于，所述中值滤波技术为均值滤波、中值滤波、高斯滤波、双边滤波、小波滤波中的一种或多种。
4.根据权利要求1所述一种基于LabVIEW深度学习的开关缺陷检测方法，其特征在于，所述S3图像增强包括：
S301增强过程：采用Sin函数的非线性变换，对去噪后图像的灰度进行拉伸变换，对变换后图像进行分割，提取待测开关所在的目标区域。
5.根据权利要求4所述一种基于LabVIEW深度学习的开关缺陷检测方法，其特征在于，所述S3图像增强还包括：
S302动态阈值分割过程：对S301所得结果，采用最小二乘法原理进行二值化分割，将图像的像素值按阈值T分为0C和1C，通过运算获得最小类内方差和最大类间方差，完成阈值的分割，实现动态阈值分割。
6.根据权利要求1所述一种基于LabVIEW深度学习的开关缺陷检测方法，其特征在于，所述S4边缘检测包括：
采用Sobel检测算子，逐一分析比较图像中每个像素在邻域内的灰度变化大小，利用像素边缘灰度值的一阶或二阶导数确定极值和变化趋势，确定边缘。
7.根据权利要求6所述一种基于LabVIEW深度学习的开关缺陷检测方法，其特征在于，所述采用Sobel检测算子，逐一分析比较图像中每个像素在邻域内的灰度变化大小，利用像素边缘灰度值的一阶或二阶导数确定极值和变化趋势，确定边缘包括：
采用Sobel检测算子，对在二值化分割后的图像中使用3×3的卷积核，进行卷积运算，完成水平方向和垂直方向的偏导数的计算，根据一阶偏导数在边缘点处可以达到极值的原理对图像中所含的缺陷边缘进行检测，获取缺陷边缘。
8.根据权利要求1所述一种基于LabVIEW深度学习的开关缺陷检测方法，其特征在于，所述S5识别分类包括：
S501采用卷积神经网络，利用卷积神经网络中的全连接层对图像中的特征进行提取；
S502采用Softmax分类器对特征进行识别，获得图像缺陷。
9.根据权利要求8所述一种基于LabVIEW深度学习的开关缺陷检测方法，其特征在于，所述卷积神经网络包括模型单元；
所述模型单元的获取流程如下：
S601模型预训练：获取相关领域的挑战性图像，作为源域数据集，通过对源域数据集进行模型预训练，获得预训练模型；
S602模型迁移：在预训练模型上保留其卷积层和池化层的参数作为冻结层，改变预训练模型的全连接层和输入图像大小，以适应待测开关的输入需求和缺陷识别种类，并进行重新训练，完成分类识别任务，获得调节模型；
S603模型微调：对调节模型的训练过程进行初始化，并采用反向传播算法和随机梯度下降算法对模型进行微调，校正参数，直至完成训练任务或达到训练结束条件，得到泛化能力优秀的模型，作为模型单元。
10.根据权利要求9所述一种基于LabVIEW深度学习的开关缺陷检测方法，其特征在于，所述源域数据集中相关领域的挑战性图像包括缺陷开关图像及缺陷的具体信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110667305.8A CN114140373A (zh) | 2021-06-16 | 2021-06-16 | 一种基于LabVIEW深度学习的开关缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110667305.8A CN114140373A (zh) | 2021-06-16 | 2021-06-16 | 一种基于LabVIEW深度学习的开关缺陷检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114140373A true CN114140373A (zh) | 2022-03-04 |
Family
ID=80438815
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110667305.8A Withdrawn CN114140373A (zh) | 2021-06-16 | 2021-06-16 | 一种基于LabVIEW深度学习的开关缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114140373A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116511998A (zh) * | 2023-06-14 | 2023-08-01 | 冈田智能(江苏)股份有限公司 | 一种圆形刀盘的缺陷检测方法及*** |
| CN117689999A (zh) * | 2024-02-04 | 2024-03-12 | 宝鸡核力材料科技有限公司 | 一种用于实现tc4卷带工艺优化的方法及*** |
-
2021
- 2021-06-16 CN CN202110667305.8A patent/CN114140373A/zh not_active Withdrawn
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116511998A (zh) * | 2023-06-14 | 2023-08-01 | 冈田智能(江苏)股份有限公司 | 一种圆形刀盘的缺陷检测方法及*** |
| CN116511998B (zh) * | 2023-06-14 | 2023-10-20 | 冈田智能(江苏)股份有限公司 | 一种圆形刀盘的缺陷检测方法及*** |
| CN117689999A (zh) * | 2024-02-04 | 2024-03-12 | 宝鸡核力材料科技有限公司 | 一种用于实现tc4卷带工艺优化的方法及*** |
| CN117689999B (zh) * | 2024-02-04 | 2024-05-07 | 宝鸡核力材料科技有限公司 | 一种用于实现tc4卷带工艺优化的方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106875381B (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
| CN112308832B (zh) | 一种基于机器视觉的轴承质量检测方法 | |
| CN113592845A (zh) | 一种电池涂布的缺陷检测方法及装置、存储介质 | |
| CN111553929A (zh) | 基于融合网络的手机屏幕缺陷分割方法、装置及设备 | |
| CN111260640B (zh) | 基于cyclegan的树状生成器网络齿轮点蚀图像测量方法及装置 | |
| CN107230203B (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
| CN109598287A (zh) | 基于深度卷积生成对抗网络样本生成的外观瑕疵检测方法 | |
| CN111383209A (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
| Espinal et al. | Wavelet-based fractal signature analysis for automatic target recognition | |
| CN110929593A (zh) | 一种基于细节辨别区别的实时显著性行人检测方法 | |
| Jia et al. | Image denoising via sparse representation over grouped dictionaries with adaptive atom size | |
| CN112862744B (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
| CN111507426A (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
| CN114140373A (zh) | 一种基于LabVIEW深度学习的开关缺陷检测方法 | |
| CN112150460A (zh) | 检测方法、检测***、设备和介质 | |
| CN116740728B (zh) | 一种用于晶圆读码器动态获取方法和*** | |
| Avola et al. | Real-time deep learning method for automated detection and localization of structural defects in manufactured products | |
| CN115984186A (zh) | 基于多分辨率知识提取的精细产品图像异常检测方法 | |
| CN115147644A (zh) | 图像描述模型的训练和描述方法、***、设备及存储介质 | |
| Zhang et al. | Rethinking unsupervised texture defect detection using PCA | |
| CN114841992A (zh) | 基于循环生成对抗网络和结构相似性的缺陷检测方法 | |
| Luo et al. | Adaptive canny and semantic segmentation networks based on feature fusion for road crack detection | |
| Giap et al. | Wavelet subband-based tensor for smartphone physical button inspection | |
| Potocnik et al. | Image enhancement by using directional wavelet transform | |
| CN116152191A (zh) | 基于深度学习的显示屏裂纹缺陷检测方法、装置及设备 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220304 |