一種注塑制品缺陷檢測(cè)識(shí)別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于缺陷檢測(cè)識(shí)別技術(shù)領(lǐng)域，更具體地，涉及一種注塑制品缺陷檢測(cè)識(shí)別 方法。
【背景技術(shù)】
[0002] 在注塑成型過程中，由于原料物性參數(shù)變化、工藝參數(shù)不合理及注塑機(jī)性能不足 等因素，注塑制品會(huì)出現(xiàn)短射、飛邊、裂紋、翹曲、氣泡、熔接紋等缺陷。這些缺陷不僅影響注 塑制品的外觀，且嚴(yán)重影響其使用性能。然而當(dāng)前注塑制品缺陷檢測(cè)識(shí)別大多依靠人工離 線抽樣檢測(cè)、自動(dòng)化程度不高、檢測(cè)效率低下，且容易受到檢測(cè)人員主觀意志的影響，準(zhǔn)確 率不尚。
[0003] 現(xiàn)有技術(shù)中已經(jīng)提出了少量的注塑制品缺陷檢測(cè)識(shí)別方法，例如，吳盛金在分割 出缺陷區(qū)域的基礎(chǔ)上，提取了 3維形狀特征及4維Hu不變矩，運(yùn)用BP(BackPropagation) 神經(jīng)網(wǎng)絡(luò)對(duì)手機(jī)外殼中的缺陷進(jìn)行分類，準(zhǔn)確率為84. 44% (參見"注塑制品表面缺陷分析 及自動(dòng)識(shí)別研宄"，2011，華南理工大學(xué)，碩士論文）。孫天瑜對(duì)短射、飛邊、銀紋、波流痕四 種注塑缺陷進(jìn)行研宄，提取缺陷區(qū)域的形狀和紋理特征，采用支持向量機(jī)（SupportVector Machine，SVM)進(jìn)行分類識(shí)別（參見"基于機(jī)器視覺的注塑制品缺陷檢測(cè)系統(tǒng)研宄"，2008， 東北大學(xué)，碩士論文）。上述方法均需要對(duì)缺陷特征進(jìn)行分析以選擇合適的、區(qū)分度高的特 征并進(jìn)行特征提取，緊接著根據(jù)提取的特征通過BP神經(jīng)網(wǎng)絡(luò)或支持向量機(jī)進(jìn)行分類，最后 在輸出端給出分類結(jié)果。上述方法均依賴于缺陷特征的人工選取和描述。然而缺陷特征的 準(zhǔn)確選取和有效描述比較困難，要選擇區(qū)分度高的特征需要很好的先驗(yàn)知識(shí)；而且必須對(duì) 不同的注塑缺陷選擇不同的特征，方法的適應(yīng)性比較差。

【發(fā)明內(nèi)容】

[0004] 針對(duì)現(xiàn)有技術(shù)的以上缺陷或改進(jìn)需求，本發(fā)明提供了一種注塑制品缺陷檢測(cè)識(shí)別 方法，其基于卷積神經(jīng)網(wǎng)絡(luò)模型自動(dòng)進(jìn)行特征選擇、提取和學(xué)習(xí)，不需要以人工方式選擇、 提取特征，適應(yīng)性較強(qiáng)，可適用于注塑制品各種類型缺陷的檢測(cè)與識(shí)別。
[0005] 為實(shí)現(xiàn)上述目的，按照本發(fā)明的一個(gè)方面，提供了一種注塑制品缺陷檢測(cè)識(shí)別方 法，其特征在于：包括以下步驟：
[0006] 1)采集正常和存在已知缺陷的注塑制品的圖像，對(duì)圖像進(jìn)行分類并生成樣本；
[0007] 2)構(gòu)建多層卷積神經(jīng)網(wǎng)絡(luò)模型，所述卷積神經(jīng)網(wǎng)絡(luò)模型能提取注塑制品圖像的特 征；
[0008] 3)使用步驟1)中的樣本對(duì)步驟2)中構(gòu)建的多層卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練； [0009] 4)將采集的實(shí)測(cè)注塑制品的圖像經(jīng)過圖像灰度化、圖像縮放和圖像歸一化的預(yù)處 理后輸入步驟3)中已訓(xùn)練完成的卷積神經(jīng)網(wǎng)絡(luò)模型，卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)實(shí)測(cè)注塑制品 的圖像進(jìn)行分類識(shí)別，以判斷注塑制品是否存在注塑缺陷，若存在缺陷則對(duì)缺陷類別進(jìn)行 識(shí)別。
[0010] 優(yōu)選地，所述步驟1)具體包括以下操作：
[0011] 1.1)采集正常及存在已知缺陷類型的注塑制品的圖像；其中，在采集的存在缺陷 的注塑制品中，每個(gè)注塑制品上只含有一種類型的缺陷；記采集的所有正常注塑制品圖像 組成集合Q，所有存在類別j的缺陷的注塑制品圖像組成集合Cj，其中1 <j<N，N為注 塑缺陷類別總數(shù)；判斷所有采集的圖像中是否有彩色圖像，如果是，則轉(zhuǎn)入步驟1. 2)，如果 否，則轉(zhuǎn)入步驟1.3);
[0012] 1. 2)將所有注塑制品圖像中的彩色圖像轉(zhuǎn)換為灰度圖像；
[0013] 1. 3)將得到的所有注塑制品的灰度圖像縮放至為WXH像素大小，其中W和H均為 整數(shù)且W彡28,H彡28 ;
[0014] 1. 4)本步驟包括以下子步驟：
[0015] 1.4. 1)設(shè)圖像集合QCi…CfCN中每個(gè)圖像集合的最小圖像數(shù)量限制為Nmin，其 中1"為整數(shù)且Nmin> 1000,設(shè)置圖像集合的類別編號(hào)t= 0 ;
[0016] 1. 4. 2)判斷t彡N是否成立，若是，則進(jìn)入步驟1. 4. 3)，若否，則進(jìn)入步驟1. 5);
[0017] 1.4.3)判斷圖像集合Ct中所含的圖像數(shù)量Nt<Nmin是否成立，若是，則進(jìn)入步驟 1.4. 4)，若否，則進(jìn)入步驟1.4.5);
[0018] 1.4.4)對(duì)Ct中所有圖像進(jìn)行Nm次旋轉(zhuǎn)，其中Nm為
【主權(quán)項(xiàng)】
1. 一種注塑制品缺陷檢測(cè)識(shí)別方法，其特征在于：包括w下步驟： 1) 采集正常和存在已知缺陷的注塑制品的圖像，對(duì)圖像進(jìn)行分類并生成樣本； 2) 構(gòu)建多層卷積神經(jīng)網(wǎng)絡(luò)模型，所述卷積神經(jīng)網(wǎng)絡(luò)模型能提取注塑制品圖像的特征； 3) 使用步驟1)中的樣本對(duì)步驟2)中構(gòu)建的多層卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練； 4) 將采集的實(shí)測(cè)注塑制品的圖像經(jīng)過圖像灰度化、圖像縮放和圖像歸一化的預(yù)處理后 輸入步驟3)中已訓(xùn)練完成的卷積神經(jīng)網(wǎng)絡(luò)模型，卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)實(shí)測(cè)注塑制品的圖 像進(jìn)行分類識(shí)別，W判斷注塑制品是否存在注塑缺陷，若存在缺陷則對(duì)缺陷類別進(jìn)行識(shí)別。
2. 根據(jù)權(quán)利要求1所述的一種注塑制品缺陷檢測(cè)識(shí)別方法，其特征在于：所述步驟1) 具體包括W下操作： 1. 1)采集正常及存在已知缺陷類型的注塑制品的圖像；其中，在采集的存在缺陷的注 塑制品中，每個(gè)注塑制品上只含有一種類型的缺陷；記采集的所有正常注塑制品圖像組成 集合C。，所有存在類別j的缺陷的注塑制品圖像組成集合Cj.，其中1《j《N，N為注塑缺陷 類別總數(shù)；判斷所有采集的圖像中是否有彩色圖像，如果是，則轉(zhuǎn)入步驟1. 2)，如果否，貝U 轉(zhuǎn)入步驟1. 3); 1. 2)將所有的彩色圖像轉(zhuǎn)換為灰度圖像； 1. 3)將每幅注塑制品的灰度圖像分別縮放至為WXH像素大小，其中W和H均為整數(shù)且W> 28,H> 28 ; 1.4)本步驟包括W下子步驟： 1.4. 1)設(shè)圖像集合C。，Cl…(V，，Cw中每個(gè)圖像集合內(nèi)的最小圖像數(shù)量限制為Nmi。，其 中Nmi。為整數(shù)且1000,設(shè)置圖像集合的類別編號(hào)t= 0 ; 1. 4. 2)判斷t《N是否成立，若是，則進(jìn)入步驟1. 4. 3)，若否，則進(jìn)入步驟1. 5); 1.4.3)判斷圖像集合Ct中所含的圖像數(shù)量Nt<Nmi。是否成立，若是，則進(jìn)入步驟 1.4. 4)，若否，則進(jìn)入步驟1.4.5); 1. 4. 4)對(duì)Ct中所有圖像進(jìn)行旋轉(zhuǎn)，其中NJ% ^向上取整的運(yùn)算結(jié)果，旋轉(zhuǎn)角 度為區(qū)間[1，180° ]的隨機(jī)整數(shù)角度； 1. 4. 5)設(shè)置t=t+1，返回步驟 1. 4. 2); 1.W將圖像集合Q)，Ci，"(V"Cw中的每幅圖像的像素灰度值除W最大灰度值255,歸一 化到[0, 1]區(qū)間； 1. 6)將歸一化后的每幅圖像中的二維灰度值矩陣分別按行展開，每幅圖像得到一個(gè)一 維行向量義'=(如4,為，……，為），其中i= 1，2,3,......n，n為圖像集合C。，?！瑿j…Cn 中所有圖像數(shù)目的總和，S為行向量的元素個(gè)數(shù)，s=WXH;則對(duì)于任一幅圖像，其對(duì)應(yīng)的 行向量為公，其屬于圖像集合Ck，并且0《k《N，定義其類別標(biāo)簽向量r=化0, 0,…… 1，〇,〇,〇,......0)，其中1之前的0的數(shù)量為k個(gè)，1之后的0的數(shù)量為N-k個(gè)； 1.7)將每幅圖像的一維行向量X哺類別標(biāo)簽向量yi組合，得到樣本狂1，巧。
3. 根據(jù)權(quán)利要求1所述的一種注塑制品缺陷檢測(cè)識(shí)別方法，其特征在于：所述步驟2) 中構(gòu)建的多層卷積神經(jīng)網(wǎng)絡(luò)模型包含2個(gè)卷積層W及相同數(shù)目下采樣層，其具體結(jié)構(gòu)如 下： 2. 1)卷積神經(jīng)網(wǎng)絡(luò)模型包括依次連接的第一卷積層、第一下采樣層、第二卷積層、第二 下采樣層及全連接層；
2.。第一卷積層使用Nei個(gè)keiXk。乂小的卷積核，對(duì)像素大小為WXH的輸入圖像進(jìn) 行卷積W提取特征，得到該層的Nti個(gè)特征圖；第一下采樣層對(duì)第一卷積層的每個(gè)特征圖進(jìn) 行3X3下采樣得到該層的Nti個(gè)特征圖；
2.扣第二卷積層使用N。,個(gè)kX k。,大小的卷積核對(duì)第一下采樣層的每個(gè)特征圖進(jìn)行 卷積W提取特征，得到該層的N。,個(gè)特征圖，其中N。= 2N; 2. 4)全連接層的輸入為將第二下采樣層的所有特征圖全部展開而形成的一維行向量， 全連接層的輸出為IX(化1)的一維行向量。
4. 根據(jù)權(quán)利要求1所述的一種注塑制品缺陷檢測(cè)識(shí)別方法，其特征在于：所述步驟2) 中構(gòu)建的多層卷積神經(jīng)網(wǎng)絡(luò)模型包含3個(gè)卷積層W及相同數(shù)目下采樣層，其具體結(jié)構(gòu)如 下： 2. 1)卷積神經(jīng)網(wǎng)絡(luò)模型包括依次連接的第一卷積層、第一下采樣層、第二卷積層、第二 下采樣層、第=卷積層、第=下采樣層及全連接層；
2.。第一卷積層使用Nti個(gè)ktiXkti大小的卷積核，對(duì)WXH像素大小的輸入圖像進(jìn)行 卷積W提取特征，得到該層的Nti個(gè)特征圖；第一下采樣層對(duì)第一卷積層的每個(gè)特征圖進(jìn)行 3X3下采樣得到該層的Nti個(gè)特征圖；
2.扣第二卷積層使用N。,個(gè)kX k。,大小的卷積核對(duì)第一下采樣層的每個(gè)特征圖進(jìn)行 卷積W提取特征，得到該層的N。,個(gè)特征圖，其中N^= 2Nti;第二下采樣層對(duì)第二卷積層的 每個(gè)特征圖進(jìn)行2X2下采樣得到該層的N。,個(gè)特征圖； 2. 4)第；卷積層使用Nt3個(gè)k。3乂心大小的卷積核對(duì)第二下采樣層的每個(gè)特征圖進(jìn)行 卷積W提取特征，得到該層的Nt3個(gè)特征圖，其中Nt3=2N。,;第S下采樣層對(duì)第S卷積層的 每個(gè)特征圖進(jìn)行2X2下采樣得到該層的Nt3特征圖； 2. 5)全連接層的輸入為將第=下采樣層的所有特征圖全部展開而形成的一維行向量， 全連接層的輸出為IX(化1)的一維行向量。
5. 根據(jù)權(quán)利要求1所述的一種注塑制品缺陷檢測(cè)識(shí)別方法，其特征在于：所述步驟3) 包括： 3. 1)將構(gòu)建好的卷積神經(jīng)網(wǎng)絡(luò)模型中各層的權(quán)值參數(shù)和卷積核中元素值初始化為 [-V，V]區(qū)間中的隨機(jī)數(shù)，而將偏置參數(shù)均初始化為零，其中V為0到1之間的有限小數(shù)； 3. 2)設(shè)定卷積神經(jīng)網(wǎng)絡(luò)模型的迭代次數(shù)化och，對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練， 其中化och為整數(shù)且化och> 10 ;每次迭代中，每個(gè)樣本通過卷積神經(jīng)網(wǎng)絡(luò)模型得到輸出 后便調(diào)整一次卷積神經(jīng)網(wǎng)絡(luò)模型各層的權(quán)值參數(shù)、卷積核中元素值及偏置參數(shù)；當(dāng)卷積神 經(jīng)網(wǎng)絡(luò)模型完成化och次迭代后停止迭代，卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練完成。
6. 根據(jù)權(quán)利要求1所述的一種注塑制品缺陷檢測(cè)識(shí)別方法，其特征在于：所述步驟4) 包括： 4. 1)將采集的實(shí)測(cè)注塑制品的圖像轉(zhuǎn)換為灰度圖像； 4. 2)將步驟4. 1)中得到的注塑制品灰度圖像縮放至WXH像素大小，W和H均為整數(shù) 且W>28, H>28 ; 4. 3)將縮放后的實(shí)測(cè)注塑制品的圖像中的像素灰度值歸一化到[0, 1]區(qū)間；
【專利摘要】本發(fā)明公開了一種注塑制品缺陷檢測(cè)識(shí)別方法，包括以下步驟：1)采集正常和存在已知缺陷的注塑制品的圖像，對(duì)圖像進(jìn)行分類并生成樣本；2)構(gòu)建多層卷積神經(jīng)網(wǎng)絡(luò)模型；3)使用步驟1)中的樣本對(duì)步驟2)中構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；4)將采集的實(shí)測(cè)注塑制品的圖像經(jīng)過預(yù)處理后輸入步驟3)中已訓(xùn)練完成的卷積神經(jīng)網(wǎng)絡(luò)模型，卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)實(shí)測(cè)注塑制品的圖像進(jìn)行分類識(shí)別，以判斷注塑制品是否存在注塑缺陷，若存在缺陷則對(duì)缺陷類別進(jìn)行識(shí)別。本發(fā)明構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)各種注塑缺陷均采用相同的特征選擇、提取方式，適應(yīng)性較強(qiáng)，可適用于注塑制品各種類型缺陷的檢測(cè)與識(shí)別。
【IPC分類】G06K9-62, G06T7-00
【公開號(hào)】CN104850858
【申請(qǐng)?zhí)枴緾N201510251086
【發(fā)明人】周華民, 張?jiān)? 黃志高, 李德群, 程文博, 崔熾標(biāo), 高煌, 周循道
【申請(qǐng)人】華中科技大學(xué)
【公開日】2015年8月19日
【申請(qǐng)日】2015年5月15日