基于图像重构卷积神经网络的零件外观瑕疵检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109615604A(43)申请公布日2019.04.12(21)申请号201811278791.9(22)申请日2018.10.30(71)申请人中国科学院自动化研究所地址100190北京市海淀区中关村东路95号(72)发明人孙佳王鹏(74)专利代理机构北京瀚仁知识产权代理事务所(普通合伙)11482代理人宋宝库陈晓鹏(51)Int.Cl.G06T7/00(2017.01)G06T7/11(2017.01)G06T7/136(2017.01)G06N3/04(2006.01)权利要求书2页说明书6页附图2页(54)发明名称基于图像重构卷积神经网络的零件外观瑕疵检测方法(57)摘要本发明涉及一种基于图像重构卷积神经网络的零件外观瑕疵检测方法，该方法通过构建好的网络模型，对输入图像进行瑕疵检测。在网络模型训练过程中，对原始输入图像进行预处理后初步提取瑕疵区域，根据所提取出的瑕疵特点进行自适应多尺度图像重构及随轮廓局部图像重构，创建输入图像重构集合，最后利用重构图像集合进行卷积神经网络的训练。在检测过程中，对输入图像做与训练过程中相同的预处理，然后将处理后的图像按其尺寸等分成若干个设定边长的正方形的图像块，并将每个图像块按位置标记编号，将每一个图像块输入到已经训练完成的卷积神经网络模型中进行特征提取及分类。最后，输出检测结果并定位。本发明提高了提高零件外观瑕疵检测的准确性和鲁棒性。CN109615604ACN109615604A权利要求书1/2页1.一种基于图像重构卷积神经网络的零件外观瑕疵检测方法，其特征在于，包括以下步骤：步骤S1，对采集的零件外观图像进行增进可读性的预处理，得到第一零件外观图像；步骤S2，将第一零件外观图像进行等分，并对等分后的图像块进行位置编号；步骤S3，将每一个图像块输入到训练好的零件外观瑕疵检测模型中进行特征提取及分类，并输出检测及定位结果；其中，所述零件外观瑕疵检测模型基于卷积神经网络构建，并采用公有识别库进预训练、采用预先构建的重构图像集合进行调优训练。2.根据权利要求1所述的基于图像重构卷积神经网络的零件外观瑕疵检测方法，其特征在于，所述重构图像集合，其创建步骤为：步骤A1，对训练样本中原始输入图像进行增进可读性的预处理，对零件瑕疵区域进行阈值分割，并初步提取瑕疵区域；步骤A2，根据步骤A1所提取的瑕疵区域计算自适应尺度参数并进行自适应多尺度图像重构及随轮廓局部图像重构，创建输入图像的重构图像集合。3.根据权利要求2所述的基于图像重构卷积神经网络的零件外观瑕疵检测方法，其特征在于，步骤A1中“初步提取瑕疵区域”，其提取阈值TH的计算公式为：22其中，P0(t)(u0(t))为目标的方差，P1(t)(u1(t))为背景的方差，ω为目标方差权重。4.根据权利要求2所述的基于图像重构卷积神经网络的零件外观瑕疵检测方法，其特征在于，步骤A2中“根据步骤A1所提取的瑕疵区域计算自适应尺度参数”，自适应尺度参数n的计算方法为：步骤A211，对于训练样本图像Xi，利用加权最大类间差法，提取其瑕疵区域，并计算该瑕疵区域输出边长hn，初始尺度输出边长为n＝0时hn的值，记作h0；步骤A212，比较h0与网络输入图像块边长hd的大小，若h0<hd对则执行步骤A213，否则执行步骤A215；nn步骤A213，n＝n+1，将输入图像放大2倍，得到对应瑕疵区域输出边长hn＝2×h0；步骤A214，若hn+1>hd则输出自适应尺度参数n的值，否则执行步骤A213；nn步骤A215，n＝n-1，将输入图像缩小1/2，得到对应瑕疵区域输出边长hn＝2×h0；步骤A216，若hn-1<hd则输出自适应尺度参数n的值，否则执行步骤A215。5.根据权利要求4所述的基于图像重构卷积神经网络的零件外观瑕疵检测方法，其特征在于，步骤A2中“自适应多尺度图像重构”，其方法为：基于自适应尺度参数n，对该尺度图像hn进行无重叠的图像区块采集，采集图像区块大小为hd×hd。得到的多尺度图像集合定义为：其中，为第i幅训练图像得到的多尺度图像集合，为第i幅训练图像得到的尺度为2CN109615604A权利要求书2/2页n的重构图像，i为训练图像序号，n为自适应尺度参数。6.根据权利要求4所述的基于图像重构卷积神经网络的零件外观瑕疵检测方法，其特征在于，所述初始尺度输出边长为n＝0时hn的值记作h0，由下式计算：h0＝max{w,h}其中，w、h为提取出的瑕疵区域最小外接矩形的宽和高。7.根据权利要求4所述的基于图像重构卷积神经网络的零件外观瑕疵检测方法，其特征在于，步骤A2中“随轮廓局部图像重构”，包括以下步骤：步骤A221：基于自适应尺度参数n，利用加权自适应阈值分割提取