CN115984215A - 一种基于双生网络的纤维束缺陷检测方法 - Google Patents
一种基于双生网络的纤维束缺陷检测方法 Download PDFInfo
- Publication number
- CN115984215A CN115984215A CN202211711576.XA CN202211711576A CN115984215A CN 115984215 A CN115984215 A CN 115984215A CN 202211711576 A CN202211711576 A CN 202211711576A CN 115984215 A CN115984215 A CN 115984215A
- Authority
- CN
- China
- Prior art keywords
- fiber bundle
- defect
- image
- twin network
- defect detection
- 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
Images
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明公开了一种基于双生网络的纤维束缺陷检测方法,包括获取正常纤维束图像和缺陷纤维束图像,将所述正常纤维束图像和缺陷纤维束图像输入双生网络中进行训练,得到缺陷检测模型;将待检测纤维束图像输入到训练好的双生网络检测模型进行纤维束缺陷检测,判断所述纤维束图像是否含有缺陷。本发明无需采集大量缺陷纤维束图像,仅需要少量的缺陷纤维束图像,就可得到可靠的纤维束缺陷检测模型,解决了现实场景中数据获取困难,样本标注费时费力的难题,具有客观的现实意义。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种基于双生网络的纤维束缺陷检测方法。
背景技术
质量控制是工业生产中至关重要的一环,相较于生产完成后的质量抽检,在生产过程中进行在线质量监测可以更好的满足高质量低缺陷的需求。随着计算机视觉和深度学习技术的发展,可以从图像中抽取特征进行表面缺陷检测,并且取得的接近人工检验的准确率。
目前,基于神经网络的计算机视觉技术对于数据还较为敏感,模型训练和部署在工业领域都需要花费大量的人力和时间,而工业细分领域的数据获取困难,限制了深度学习在工业领域的应用。
发明内容
本发明提供了一种基于双生网络的纤维束缺陷检测方法,采用双生神经网络,仅需要少量的缺陷纤维束图像作为训练样本,就可得到可靠的纤维束缺陷检测模型,解决了工业领域缺陷样本获取困难的难题,具有客的现实意义。
针对现有技术的不足,本发明公开了一种基于双生网络的纤维束缺陷检测方法,包括如下步骤:
步骤1,获取无缺陷纤维束图像和缺陷纤维束图像进行人工标注;
步骤2,将所述无缺陷纤维束图像和所述缺陷纤维束图像输入到双生网络缺陷检测模型中,对所述双生网络缺陷检测模型进行训练,得到双生网络缺陷检测模型;
步骤3,将待检测纤维束图像输入到训练好的双生网络检测模型进行纤维束缺陷检测,判断所述纤维束图像是否含有缺陷。
进一步地,所述步骤1包括:所述无缺陷纤维束图像标注为0,所述缺陷纤维束图像标注为1;
进一步地,所述步骤2包括:
步骤2-1,从所述无缺陷纤维束图像和缺陷纤维束图像中随机选取两张,作为待训练样本对;
步骤2-2,将所述待训练样本对输入双生网络中进行特征提取,分别计算出特征向量;所述双生网络为两个结构相同、权值共享的VGG16神经网络;
步骤2-3,根据所述损失函数对所述双生网络缺陷检测模型进行训练,得到双生网络缺陷检测模型。
进一步地,损失函数的定义为:
其中,Li为损失函数,i为样本对的序号,(x1,x2,t)为所述样本对和标签,若x1,x2同为无缺陷纤维束图像或同为缺陷纤维束图像,则t=1,否则t=0,b为常数,max为取最大值函数,Bi为所述特征向量的曼哈顿距离,Bi的定义为:
Bi=|v(x1)-v(x2)|i
其中,v(x1)和v(x2)为特征向量。
进一步地,所述步骤3包括:
步骤3-1,采集待检测的纤维束图像;
步骤3-2,将所述无缺陷纤维束图像和所述待检测纤维束图像输入到已经训练过的所述双生网络缺陷检测模型中,得到无缺陷相似指数;所述相似指数即为所述曼哈顿距离的倒数;
步骤3-3,将所述缺陷纤维束图像和所述待检测纤维束图像输入到已经训练过的所述双生网络缺陷检测模型中,得到缺陷相似指数;
步骤3-4若无缺陷相似指数大于或等于缺陷相似指数,则所述待检测纤维束图像为合格纤维束;若无缺陷相似指数小于缺陷相似指数,则所述待检测纤维束图像为缺陷纤维束。
有益效果:本发明公开了一种基于双生网络的纤维束缺陷检测方法,是计算机视觉和神经网络技术在工业领域的具体应用,使用双生网络缺陷检测模型,不需要搜集大量的样本就可以训练出可靠、有效的检测模型,在不接触产品的前提下通过视觉就可以达到在线表面缺陷检测,实现质量检测自动化,在有类似需求的产业可大范围推广应用。
附图说明
图1是本发明实施例部分提供的一种基于双生网络的纤维束缺陷检测方法的工作流程示意图;
图2是本发明实施例部分无缺陷纤维束图像和待检测纤维束图像缺陷检测效果示意图。
图3是本发明实施例部分缺陷纤维束图像和待检测纤维束图像缺陷检测效果示意图。
具体实施方式
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。
本发明实施例公开一种基于双生网络的纤维束缺陷检测方法,本方法应用于碳纤维行业纤维束表面缺陷检测,仅需采集少量纤维束图像进行模型训练和部署,能够满足准确、快速的实际使用需求。
本发明公开了一种基于双生网络的纤维束缺陷检测方法,工作流程示意图如图1所示,包括以下步骤:
步骤1,获取无缺陷纤维束图像和缺陷纤维束图像进行人工标注;所述无缺陷纤维束图像标注为0,所述缺陷纤维束图像标注为1;
步骤2,将所述无缺陷纤维束图像和所述缺陷纤维束图像输入到双生网络缺陷检测模型中,对所述双生网络缺陷检测模型进行训练,得到双生网络缺陷检测模型;
步骤3,将待检测纤维束图像输入到训练好的双生网络检测模型进行纤维束缺陷检测,判断所述纤维束图像是否含有缺陷。
在一种实现方式中,所述步骤2包括:
步骤2-1,从所述无缺陷纤维束图像和缺陷纤维束图像中选取两张图像组成待训练样本对;
步骤2-2,将所述待训练样本对输入双生网络中进行特征提取,分别计算出特征向量;所述双生网络为两个结构相同、权值共享的VGG16神经网络;
步骤2-3,根据所述损失函数对所述双生网络缺陷检测模型进行训练,得到双生网络缺陷检测模型。损失函数的定义为:
其中,Li为损失函数,i为样本对的序号,(x1,x2,t)为所述样本对和标签,若x1,x2同为无缺陷纤维束图像或同为缺陷纤维束图像,则t=1,否则t=0,b=2,max为取最大值函数,Bi为所述特征向量的曼哈顿距离,Bi的定义为:
Bi=|v(x1)-v(x2)|i
其中,v(x1)和v(x2)为特征向量。
在一种实现方式中,所述步骤3包括:
步骤3-1,采集一张待检测纤维束图像;
步骤3-2,将一张所述无缺陷纤维束图像和所述待检测纤维束图像输入到已经训练过的所述双生网络缺陷检测模型中,得到无缺陷相似指数;所述相似指数即为所述特征向量的曼哈顿距离Bi的倒数;
步骤3-3,将所述缺陷纤维束图像和所述待检测纤维束图像输入到已经训练过的所述双生网络缺陷检测模型中,得到缺陷相似指数;
步骤3-4若无缺陷相似指数大于或等于缺陷相似指数,则所述待检测纤维束图像为合格纤维束;若无缺陷相似指数小于缺陷相似指数,则所述待检测纤维束图像为缺陷纤维束。
如图2,无缺陷纤维束图像和待检测纤维束图像输入到已经训练过的双生网络缺陷检测模型中,得到无缺陷相似指数0.018;如图3,缺陷纤维束图像和待检测纤维束图像输入到已经训练过的双生网络缺陷检测模型中,得到缺陷相似指数3.564。无缺陷相似指数小于缺陷相似指数,则待检测纤维束图像为缺陷纤维束。
本发明公开了一种基于双生网络的纤维束缺陷检测方法,无需采集大量缺陷纤维束图像,仅需要少量的正常和缺陷纤维束图像进行模型训练,就可得到可靠的纤维束缺陷检测模型,解决了工业领域中数据获取困难,样本标注费时费力的难题,可快速、有效的进行实施,降低缺陷率,提高合格率,从而提升产品质量。
具体实现中,本发明还提供一种计算机存储介质,其中,该计算机存储介质可存储有程序,该程序执行时可包括本发明提供的一种双特征融合的半全局立体匹配方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory,ROM)或随机存储记忆体(random access memory,RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,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)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中各个实施例之间相同相似的部分互相参见即可。以上所述的本发明实施方式并不构成对本发明保护范围的限定。
Claims (5)
1.一种基于双生网络的纤维束缺陷检测方法,其特征在于,包括:
步骤1,获取无缺陷纤维束图像和缺陷纤维束图像进行人工标注;
步骤2,将所述无缺陷纤维束图像和所述缺陷纤维束图像输入到双生网络中,对所述双生网络进行训练,得到双生网络缺陷检测模型;
步骤3,将待检测纤维束图像输入到训练好的双生网络检测模型进行纤维束缺陷检测,判断所述纤维束图像是否含有缺陷。
2.根据权利要求1所述的一种基于双生网络的纤维束缺陷检测方法,其特征在于,所述步骤1包括:所述无缺陷纤维束图像标注为0,所述缺陷纤维束图像标注为1。
3.根据权利要求1所述的一种基于双生网络的纤维束缺陷检测方法,其特征在于,所述步骤2包括:
步骤2-1,从所述无缺陷纤维束图像和缺陷纤维束图像中随机选取两张,作为待训练样本对;
步骤2-2,将所述待训练样本对输入双生网络中进行特征提取,分别计算出特征向量;所述双生网络为两个结构相同、权值共享的VGG16神经网络;
步骤2-3,根据所述损失函数对所述双生网络缺陷检测模型进行训练,得到双生网络缺陷检测模型。
4.根据权利要求1所述的一种基于双生网络的纤维束缺陷检测方法,其特征在于,所述步骤2-3包括:损失函数的定义为:
其中,Li为损失函数,i为样本对的序号,(x1,x2,t)为所述样本对和标签,若x1,x2同为无缺陷纤维束图像或同为缺陷纤维束图像,则t=1,否则t=0,b为常数,max为取最大值函数,Bi为所述特征向量的曼哈顿距离,Bi的定义为:
Bi=|v(x1)-v(x2)|i
其中,v(x1)和v(x2)为特征向量。
5.根据权利要求1所述的一种基于双生网络的纤维束缺陷检测方法,其特征在于,所述步骤3包括:
步骤3-1,采集待检测的纤维束图像;
步骤3-2,将所述无缺陷纤维束图像和所述待检测纤维束图像输入到已经训练过的所述双生网络缺陷检测模型中,得到无缺陷相似指数;所述相似指数即为所述曼哈顿距离的倒数;
步骤3-3,将所述缺陷纤维束图像和所述待检测纤维束图像输入到已经训练过的所述双生网络缺陷检测模型中,得到缺陷相似指数;
步骤3-4若无缺陷相似指数大于或等于缺陷相似指数,则所述待检测纤维束图像为合格纤维束;若无缺陷相似指数小于缺陷相似指数,则所述待检测纤维束图像为缺陷纤维束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211711576.XA CN115984215A (zh) | 2022-12-29 | 2022-12-29 | 一种基于双生网络的纤维束缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211711576.XA CN115984215A (zh) | 2022-12-29 | 2022-12-29 | 一种基于双生网络的纤维束缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115984215A true CN115984215A (zh) | 2023-04-18 |
Family
ID=85962246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211711576.XA Pending CN115984215A (zh) | 2022-12-29 | 2022-12-29 | 一种基于双生网络的纤维束缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115984215A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958739A (zh) * | 2023-06-25 | 2023-10-27 | 南京矩视科技有限公司 | 一种基于注意力机制的碳纤维丝道实时动态编号方法 |
-
2022
- 2022-12-29 CN CN202211711576.XA patent/CN115984215A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116958739A (zh) * | 2023-06-25 | 2023-10-27 | 南京矩视科技有限公司 | 一种基于注意力机制的碳纤维丝道实时动态编号方法 |
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 | |
CN108074231B (zh) | 一种基于卷积神经网络的磁片表面缺陷检测方法 | |
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN111080622B (zh) | 神经网络训练方法、工件表面缺陷分类与检测方法及装置 | |
CN106934800B (zh) | 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置 | |
CN113239930B (zh) | 一种玻璃纸缺陷识别方法、***、装置及存储介质 | |
CN113083804A (zh) | 激光智能除锈方法、***及可存读介质 | |
CN111476307B (zh) | 一种基于深度领域适应的锂电池表面缺陷检测方法 | |
CN113643268A (zh) | 基于深度学习的工业制品缺陷质检方法、装置及存储介质 | |
WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN116883393B (zh) | 一种基于无锚框目标检测算法的金属表面缺陷检测方法 | |
CN114743102A (zh) | 一种面向家具板材的瑕疵检测方法、***及装置 | |
CN111311545A (zh) | 集装箱检测方法、装置及计算机可读存储介质 | |
CN115984215A (zh) | 一种基于双生网络的纤维束缺陷检测方法 | |
Liao et al. | Solder joint defect inspection method based on ConvNeXt-YOLOX | |
CN113506239A (zh) | 一种基于跨阶段局部网络的带钢表面缺陷检测方法 | |
CN111768380A (zh) | 一种工业零配件表面缺陷检测方法 | |
CN111879972A (zh) | 基于ssd网络模型的工件表面缺陷检测方法及*** | |
CN117670820B (zh) | 一种塑料薄膜生产缺陷检测方法及*** | |
CN113516652A (zh) | 电池表面缺陷和粘合剂检测方法、装置、介质和电子设备 | |
CN108765391A (zh) | 一种基于深度学***板玻璃异物影像分析方法 | |
CN115937195A (zh) | 表面缺陷检测方法、装置和计算机设备 | |
CN112668365A (zh) | 一种物料入库识别方法、装置、设备及存储介质 | |
CN115546108A (zh) | 基于边云协同和ar的汽车轮胎外观质量智能检测方法 | |
CN114937174A (zh) | 一种基于数字全息机器视觉的精密件的检测方法及装置 |
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 |