一种基于卷积神经网络的磁片表面缺陷检测方法与流程

本发明属于表面缺陷检测技术，尤其涉及一种基于卷积神经网络的磁片表面缺陷检测方法。

背景技术：

随着电子技术、计算机技术的迅速发展，数字图像处理技术以其信息含量大、表现形式直观、传输存储方便等优点在许多行业和领域得到了广泛应用，如医学图像处理分析，工业控制以及检测自动化，航空航天遥感测绘等。随着我国国民经济水平的提升，人们对高品质、高精度、高可靠性的产品需求也日益增加，随之而来的问题是大量制造出来的产品如何检测、判断其是否达到性能指标。

传统的检测方法是通过人工来检测，人工检测中工人劳动强度大，受限于工人的精神状态、检测熟练水平、经验积累水平以及工作环境等多方面因素，检测的效率低、速度慢、器件的一致性标难以得到保证。检测过程中由于工人疲劳，不可避免的产生错捡、漏检，不合格产品的流出不仅会给工厂带来经济损失，更严重的是会给用户带来安全隐患。因此，如何快速高效并准确检测零件表面缺陷成为制造业急需解决的问题。计算机技术的提升，使得数字图像处理技术得到广泛应用，基于机器视觉的表面缺陷检测系统有着很高的应用价值。

目前基于机器视觉的表面缺陷检测的方法主要有两种：一种为基于图像处理算法的特征处理方法，另一种为使用卷积神经网络与图像处理算法相结合的方法。基于图像处理算法的特征处理方法，是通过对图像的灰度化处理，分别计算图像的平均灰度化数值和灰度化数值的方差，通过与预先设定好的标准值进行比较，判断与标准值得差值大小是否超过阈值来判断是否有表面缺陷。该方法通常需要预先设定好相机曝光时间、环境光线的亮暗、磁片采集的位置等信息，受外界条件影响较大，系统的鲁棒性较差，且解决的缺陷问题单一。而使用卷积神经网络与图像处理算法相结合的方法，卷积网络是为识别二维形状而特殊设计的一个多层感知器，这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性。而且避免传统识别算法中复杂的特征提取和数据重建过程。缺陷特征的识别速度也会有很大的提高，但是该类方法需要大量的样本来训练已达到较高的识别率，训练样本过少可能导致识别率下降。

本发明表面检测技术主要涉及图像采集、图像数字处理、卷积神经网络的构建和训练、图像缺陷的分类等步骤。其中图像的数字处理和卷积神经网络的构建是表面检测领域的两个关键问题。

技术实现要素：

本发明要克服现有技术的上述缺点，提供一种基于卷积神经网络的磁片表面缺陷检测方法，从而能快速准确的实现磁片表面多种缺陷的检测。

为达到上述目的，本发明的技术方案具体是这样实现的：

一种基于卷积神经网络的磁片表面缺陷检测方法，该方法包括如下步骤：

(1)获取待检测磁片的俯视图像并对图像进行预处理；

(2)将预处理后的图像输入至预先训练好的卷积神经网络进行缺陷检测，检测磁片表面是否有缺陷，并对缺陷进行分类；卷积神经网络，其中输入层，卷积层，采样层，全连接层对图像进行特征提取，提取的特征由softmax分类器进行缺陷分类。

磁片图像的预处理具体包括如下步骤：

第一步对磁片图像进行灰度化处理，对灰度图像进行霍夫圆变换，检测出磁片外轮廓，根据圆心，圆半径切割该圆的最小外接正方形；

第二步为以切割出来的正方形图像为模板，批量模板匹配处理剩余图像，使得所有图像均为磁片的外轮廓最小外接圆大小；

第三步将第二步得到的所有图像进行尺寸变换至设定大小；

第四步将尺寸变换后的图像使用图像处理的方法进行旋转分割，将一副大图分割成多幅小图；

卷积神经网络的训练方法如下：

(a)数据样本采集。采集大量磁片图像，包含无缺陷磁片和有缺陷磁片；

(b)扩充数据集。对采集的磁片进行预处理，图像进行旋转分割，将一副磁片图切割成多幅图像，并进行人工标记，分为有缺陷沙眼类，有缺陷缺块类，有缺陷裂纹类，无缺陷共4类，并对得到的这些数据样本按一定比例分为两部分，一部分作为训练集，一部分为测试集；

(c)建立卷积神经网络；

(d)将训练集样本数据输入至卷积神经网络，训练卷积神经网络，并用测试集样本数据去评价卷积神经网络训练的效果；

卷积神经网络的结构如下：

输入层：第一层为输入层，输入大小为图片大小43*43；

c1层：输入层的输出为43*43的矩阵，c1卷积层的输入为输入层的输出，输入与64个3*3步进为1的卷积核进行卷积操作，激励函数为relu，总共提取64个特征map，输出为41*41*64的矩阵；

s2层：s2池化层的输入为c1卷积层的输出，对输入的64个map用2*2步进为2的卷积核进行最大值采样处理，输出为20*20*64的矩阵；

c3层：c3层的输入为s2层的输出，对输入的64个map用128个3*3步进为1的卷积核进行卷子操作，激励函数为relu，总共提取128特征map，输出为18*18*128的矩阵；

s4层：s4层的输入为c3层的输出，对输入的128个map用2*2步进为2的卷积核进行最大值采样处理，输出为9*9*128的矩阵；

c5层：c5层的输入为s4层的输出，对输入的128个map用256个3*3步进为1的卷积核进行卷积操作，激励函数为relu，总共提取256个特征map，输出为7*7*256；

f6全连接层：全连接层1对提取的特征进行加权计算，得到1维特征向量；

f7全连接层2：全连接层2对全连接层1输出的特征向量进行加权计算，得到特征更集中的1维特征向量；

softmax分类器：对全连接层2输出端的特征向量进行分类；

本发明与现有技术相比，其显著优点：(1)本发明对待检测图像的预处理，相当于增加了训练样本数量，改善了训练样本缺少造成的神经网络训练不佳的问题。(2)传统的基于数字图像的缺陷检测方法，识别算法含有复杂的特征提取和数据重建过程，且每种缺陷都需要单独的识别算法，但是本发明使用卷积神经网络，可有效避免以上问题，训练好的卷积神经网络可以分类多种缺陷。(3)使用卷积神经网络相比于传统的基于图像处理的检测方法鲁棒性更高，在图像采集阶段，图像受到外界因素影响，例如光线的变化，传统方法有可能提取不到特征，但是卷积神经网络的方法可以在训练神经网络的时候有意加入部分受外界因素影响的图片，加强卷积神经网络对于这方面的检测准确率，这点更符合工业现场的要求。

附图说明

图1为本发明方法的流程图；

图2为本发明待检测磁片表面图像预处理流程图；

图3为实施预处理后的待检测磁片表面图像；

图4为本发明卷积神经网络的网络的结构示意图；

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。

参照图1～图4，一种基于卷积神经网络的磁片缺陷检测方法，包括如下过程：首先收集训练素材，有1000个含有缺陷的磁片和500个无缺陷磁片。在标准环境下采集磁片的两面俯视图，通过图2所示图像预处理过程，先对磁片图像进行灰度化处理，对灰度图像进行霍夫圆变换，检测出磁片外轮廓，根据圆心，圆半径切割该圆的最小外接正方形；再以切割出来的正方形图像为模板，批量模板匹配处理剩余图像，使得所有图像均为磁片的外轮廓最小外接圆大小，对所有图像进行尺寸变换至设定大小，使用图像处理的方法进行旋转分割，将一副大图分割成多幅小图。对所得图像进行人工标定，并平衡各缺陷比例后，得到1000个沙眼类，1000个缺块类，1000个划痕类，以及1000个无缺陷图片素材，其中每个选择700放入训练集，300个放入测试集。将训练集和测试集依次放入tensorflow架构下的卷积神经网络，训练好的卷积神经网络就为检测磁片缺陷的模型。

卷积神经网络的结构如下：

输入层：第一层为输入层，输入大小为图片大小43*43；

c1层：输入层的输出为43*43的矩阵，c1卷积层的输入为输入层的输出，输入与64个3*3步进为1的卷积核进行卷积操作，激励函数为relu，总共提取64个特征map，输出为41*41*64的矩阵；

s2层：s2池化层的输入为c1卷积层的输出，对输入的64个map用2*2步进为2的卷积核进行最大值采样处理，输出为20*20*64的矩阵；

c3层：c3层的输入为s2层的输出，对输入的64个map用128个3*3步进为1的卷积核进行卷子操作，激励函数为relu，总共提取128特征map，输出为18*18*128的矩阵；

s4层：s4层的输入为c3层的输出，对输入的128个map用2*2步进为2的卷积核进行最大值采样处理，输出为9*9*128的矩阵；

c5层：c5层的输入为s4层的输出，对输入的128个map用256个3*3步进为1的卷积核进行卷积操作，激励函数为relu，总共提取256个特征map，输出为7*7*256；

f6全连接层：全连接层1对提取的特征进行加权计算，得到1维特征向量；

f7全连接层2：全连接层2对全连接层1输出的特征向量进行加权计算，得到特征更集中的1维特征向量；

softmax分类器：对全连接层2输出端的特征向量进行分类；

输出层包括5个单元，分别表示5种情况：(1)裂纹类(2)缺块类(3)沙眼类(4)无缺陷类(5)其他类。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。