一种基于卷积神经网络的匣钵筛分检测方法
专利汇可以提供一种基于卷积神经网络的匣钵筛分检测方法专利检索，专利查询，专利分析的服务。并且本 发明 属于匣钵 缺陷 检测技术领域，涉及一种基于 卷积神经网络 的匣钵筛分检测方法包括：步骤1：获取匣钵侧面和底面的灰度图像，步骤2：对采集的匣钵图像进行预处理，然后对匣钵图像样本进行扩充，获得若干匣钵图像的训练集和若干匣钵图像的测试集；步骤3：预处理后的训练集和测试集输入到卷积神经网络模型GoogleNet中，调整卷积神经网络模型GoogleNet的参数，得到优化的卷积神经网络模型GoogleNet，构建GoogleNet网络；步骤4：获取待识别的匣钵图像并进行步骤2所述的预处理，并输入步骤3构建的GoogleNet网络中进行，计算图像存在某个缺陷的概率，判断属于某类缺陷，完成匣钵缺陷检测。本发明利用 深度学习 技术对带有缺陷的匣钵进行筛分，避免使节约开支，提高生产的效率。，下面是一种基于卷积神经网络的匣钵筛分检测方法专利的具体信息内容。
1.一种基于卷积神经网络的匣钵筛分检测方法，其特征在于，包括以下步骤：
步骤1：获取匣钵表面灰度图像，包括有缺陷和没有缺陷的匣钵的4个侧面图像和底面图像；
步骤2：对采集的匣钵图像进行预处理获得有缺陷和没有缺陷的匣钵图像样本，然后对匣钵图像样本进行扩充，获得若干匣钵图像的训练集和若干匣钵图像的测试集；
步骤3：预处理后的训练集和测试集输入到卷积神经网络模型GoogleNet中，调整卷积神经网络模型GoogleNet的参数，得到优化的卷积神经网络模型GoogleNet，构建GoogleNet网络；
步骤4：获取待识别的匣钵图像并进行步骤2所述的预处理，并输入步骤3构建的GoogleNet网络中进行，计算图像存在某个缺陷的概率，判断属于某类缺陷，完成匣钵缺陷检测。
2.根据权利要求1所述的一种基于卷积神经网络的匣钵筛分检测方法，其特征在于，所述步骤2对采集的匣钵图像进行预处理，具体过程包括如下步骤：
步骤2-1：获取匣钵图像，对采集的匣钵图像进行裁剪，以提取有效区域，所述有效区域为匣钵测试图像中非边界区域；
步骤2-2：对步骤2-1处理后的匣钵图像进行亮度和对比度的调整；
步骤2-3：对步骤2-2处理后的匣钵图像进行缺陷标记，对有缺陷图像以缺陷为中心对有效区域内进行分割；
步骤2-4；对步骤2-3处理后的匣钵图像，进行样本扩充，获得若干匣钵图像的训练集和若干匣钵图像的测试集。
3.根据权利要求2所述的一种基于卷积神经网络的匣钵筛分检测方法，其特征在于，所述步骤2-2对亮度和对比度进行调整的具体过程为：
设f(c, v)表示调整前的图像像素，g(c, v)表示调整后的图像像素，a为用于控制图像对比度的增益，b为用于控制图像亮度的偏置，a, b在每次调整中随机取值，采用函数g(c, v)对匣钵图像的亮度和对比度进行调整：g(c, v)=a*f(c, v)+b，其中c, v表示像素点的坐标位置；
所述步骤2-3中所述缺陷标记分为正常、缺角、裂缝和龟裂，其中分割后图片的像素为
512*512；
所述步骤2-4对样本扩充后，根据缺陷类型，进行分类，获取包括有缺陷与无缺陷若干张匣钵图像的训练集和若干匣钵图像的测试集。
4.根据权利要求1所述的一种基于卷积神经网络的匣钵筛分检测方法，其特征在于，所述卷积神经网络模型GoogleNet的训练采用9个Inception模块，所述Inception模块包括多个卷积层和最大池化层。
5.根据权利要求1所述的一种基于卷积神经网络的匣钵筛分检测方法，其特征在于，所述卷积神经网络模型GoogleNet采用Relu激活函数加速网络训练，所述Relu激活函数为Relu(q)＝max(0, q)，其中q为单个神经元的加权求和值；
所述卷积神经网络GoogleNet采用SGD算法对卷积神经网络训练进行最优化求解。
6.根据权利要求1所述的一种基于卷积神经网络的匣钵筛分检测方法，其特征在于，所述卷积神经网络模型GoogleNet的初始学习率为0.001，所述卷积神经网络模型GoogleNet的迭代次数间隔为2000。
7.根据权利要求1所述的一种基于卷积神经网络的匣钵筛分检测方法，其特征在于，所述卷积神经网络模型GoogleNet使用的池化方式为：均值池化和最大池化。
8.根据权利要求1所述的一种基于卷积神经网络的匣钵筛分检测方法，其特征在于，所述步骤1和步骤4中均采用工业相机对匣钵图像进行采集。
一种基于卷积神经网络的匣钵筛分检测方法
技术领域
背景技术
发明内容
步骤1：获取匣钵表面灰度图像，包括有缺陷和没有缺陷的匣钵的4个侧面图像和底面图像；
步骤2：对采集的匣钵图像进行预处理获得有缺陷和没有缺陷的匣钵图像样本，然后对匣钵图像样本进行扩充，获得若干匣钵图像的训练集和若干匣钵图像的测试集；
步骤3：预处理后的训练集和测试集输入到卷积神经网络模型GoogleNet中，调整卷积神经网络模型GoogleNet的参数，得到优化的卷积神经网络模型GoogleNet，构建GoogleNet网络；
步骤4：获取待识别的匣钵图像并进行步骤2所述的预处理，并输入步骤3构建的GoogleNet网络中进行，计算图像存在某个缺陷的概率，判断属于某类缺陷，完成匣钵缺陷检测。
步骤2-2：对步骤2-1处理后的匣钵图像进行亮度和对比度的调整；
步骤2-3：对步骤2-2处理后的匣钵图像进行缺陷标记，对有缺陷图像以缺陷为中心对有效区域内进行分割；
步骤2-4；对步骤2-3处理后的匣钵图像，进行样本扩充，获得若干匣钵图像的训练集和若干匣钵图像的测试集。
设f(c, v)表示调整前的图像像素，g(c, v)表示调整后的图像像素，a为用于控制图像对比度的增益，b为用于控制图像亮度的偏置，a, b在每次调整中随机取值，采用函数g(c, v)对匣钵图像的亮度和对比度进行调整：g(c, v)=a* f(c, v)+b，其中c, v表示像素点的坐标位置；
所述步骤2-3中所述缺陷标记分为正常、缺角、裂缝和龟裂，其中分割后图片的像素为
512*512；
所述步骤2-4对样本扩充后，根据缺陷类型，进行分类，获取包括有缺陷与无缺陷若干张匣钵图像的训练集和若干匣钵图像的测试集。
附图说明
步骤2-2：对步骤2-1处理后的匣钵图像进行亮度和对比度的调整，对裁剪后的图像进行亮度和对比度的随机调整，依据公式g(c, v)=a* f(c, v)+b调整亮度和对比度，其中c, v表示像素点的坐标位置，f(c, v)表示调整前的图像像素，g(c, v)表示调整后的图像像素，a为用于控制图像对比度的增益，b为用于控制图像亮度的偏置， a, b在每次调整中随机取值，本实施例中a的取值范围为[0.5, 1.5]，b的取值范围为[-30, 30]；
步骤2-3：对步骤2-2处理后的匣钵图像进行缺陷标记，对有缺陷图像以缺陷为中心对有效区域内进行分割，原始匣钵图片的像素为2048*2448，分割后图片的像素为512*512，图片格式为JPEG，这样能够使模型提取到更多的带有缺陷的图像，并且可以在训练阶段减少过拟合现象的发生，从而实现样本扩充；
步骤2-4；对步骤2-3处理后的匣钵图像，根据缺陷类型进行分类，样本扩充后形成一个数据集，数据集包括20000张匣钵图片，包括缺角图片5000张、裂缝图片5000张，龟裂图片
5000张，正常图片5000张，将预处理后包括有缺陷与无缺陷的数据集的80％用于卷积神经网络模型GoogleNet的训练集，剩余的20％的数据集用于卷积神经网络模型GoogleNet的测试集。
0.96。经实验，利用改进后的GoogleNet模型对匣钵图像数据进行训练及测试后，得到的“top-1”精确度平均值为89.9％，系统的损失平均值为2.6％。可见，改进后模型的识别精确度与损失较原始模型均有提升。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种自适应分数阶多尺度熵融合的水下图像增强方法 | 2020-05-11 | 560 |
| 基于MPSoC的运动目标实时检测跟踪系统及方法 | 2020-05-08 | 830 |
| 一种基于街景图的城市环境评估方法 | 2020-05-08 | 782 |
| 一种基于化学反应优化的列车车轮踏面图像分割方法 | 2020-05-08 | 801 |
| 自适应的曝光量调整多尺度熵融合的水下图像增强方法 | 2020-05-12 | 219 |
| 证件文字信息获取方法、装置以及电子设备 | 2020-05-08 | 872 |
| 一种基于监控视频与社交网络数据的灰霾来源确定方法 | 2020-05-12 | 169 |
| 基于数字图像处理技术的太阳能电池板缺陷检测方法 | 2020-05-08 | 538 |
| 一种高温锻件高精度智能测量仪和测量方法 | 2020-05-12 | 17 |
| 一种基于自主学习和深度学习的矿石粒度检测方法和系统 | 2020-05-12 | 448 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
