本发明涉及一种磁路材料的检测方法，具体涉及一种基于深度学习算法对磁路材料表面缺陷进行检测的方法。
背景技术：
磁路主要作为3c行业中手机扬声器的组成材料。磁路在生产过程中的质量直接影响到扬声器声学性能。通常情况下，由于磁路表面会出现裂纹、脏污、杂质及外观缺失等缺陷，传统生产线中都是采用人工在线判断，但人工也由于疲劳、人眼的限制等导致产品良率下降，影响出货品质，达不到最终用户要求。
近年来，部分系统集成商采用机器视觉的方法对磁路表面缺陷进行检测，首先通过特殊光路对磁路表面缺陷进行成像，获取产品表面的缺陷信息，再使用形态学处理、几何分析、傅立叶变换、模板匹配等常规机器视觉算法对缺陷信息进行分析，从而判断缺陷是否存在。由于磁路表面纹理复杂，表面缺陷形态非常随机，对比度低，同时生产线上磁路成像的稳定性也很难保证，现有的机器视觉算法在分析缺陷的过程中存在很大局限性，漏判率和误判率很高，很难达到实际生产要求。而且现有的机器视觉算法在面对随机出现的各种缺陷时，需要不断的调整和优化算法，适应性非常差，同时也会导致时间的浪费。
技术实现要素：
本发明的主要目的在于提供一种对磁路材料表面缺陷进行检测的方法，以克服现有技术的不足。
为实现前述发明目的，本发明采用的技术方案包括：
本发明实施例提供了一种对磁路材料表面缺陷进行检测的方法，其包括如下步骤：
(1)收集训练图片作为训练样本，所述训练图片包括无缺陷样品图片和缺陷样品图片；
(2)至少对缺陷样品图片中示出的缺陷进行像素级的分类标注；
(3)对训练样本和步骤(2)生成的标注样本进行变换生成新的训练样本，实现训练样本增强，之后以原始的训练样本和新生成的训练样本作为输入数据，步骤(2)生成的标注样本经过二值处理生成的n张特征图作为参考输出，输入到卷积神经网络中进行训练，通过多次迭代达到稳定收敛的准确率为止，其中n＝(缺陷的种类数量+1)；
(4)保存步骤(3)生成的训练好的网络模型，对输入的未标注图像进行预测，每一未标注图像经预测生成n张特征图，该n张特征图中每个像素代表在原图中该像素位置上的特征属于(n-1)种缺陷中的一种的概率得分；
(5)对步骤(4)生成的n张概率得分图进行处理，设置每种缺陷的概率得分阈值，生成聚类索引图，进而用blob提取方法，按索引区域标签提取出缺陷所在位置。
进一步地，在所述的步骤(1)中，收集的无缺陷样品图片与具有不同缺陷的缺陷样品图片的数量相当。
进一步地，所述的步骤(2)包括：对无缺陷样品图片和缺陷样品图片均予以标注，其中，无缺陷样品图像标注保存为像素全为黑色的且与原图大小相同的图片，缺陷样品图像标注以不同颜色代表不同缺陷类型，按像素区域标记出缺陷位置，生成的标注图像为除标注区域有颜色之外，其他部分都为黑色的图片。
进一步地，所述的步骤(3)包括：在每轮训练时对训练样本和步骤(2)生成的标注样本进行图像的尺度变换。
进一步地，在步骤(3)中，所述的变换包括旋转、缩放、镜像、错切中的任意一种或两种以上的组合。
进一步地，在步骤(3)中，所述卷积神经网络的前向传播过程包括：
输入原始的训练样本和新生成的训练样本，并对训练图片进行归一化，归一化采用先减去图像均值再除以图像方差的方式；
将输入的原始的训练样本、步骤(2)生成的标注样本以及新生成的训练样本缩放至网络输入层的大小，进一步地将缩放后的图片传入五层卷积加池化和四层反卷积加上采样的网络中；
用softmax算法得到n张特征图的预测结果。
进一步地，在步骤(3)中，所述的训练包括：采用类似梯度下降的优化算法对每轮训练的得到的预测结果和标注结果作为对比，然后对网络参数做迭代优化，直至训练出一组参数使得预测结果和标注结果极其近似为止。
进一步地，所述的步骤(4)包括将相机采集的未标注图像输入所述训练好的网络模型中，执行一次前向传播得到n张特征图的过程。
进一步地，所述的步骤(5)包括：将步骤(4)生成的n张特征图中每一张图的每一个位置上的点与其他各特征图的同一个位置的点上的概率值比较，生成每个点概率最大索引的二维统计图，即所述的聚类索引图，并且在生成所述统计图时，设置概率得分阈值，若其中某一点位置的最大类别概率小于设置的概率得分阈值，则将该点位置视为背景特征，否则，依据该点位置的最大类别概率，判定其所属的缺陷类型，之后，依据所述的二维统计图进一步用blob提取方法提取出所述未标注图像上的缺陷所在区域。
较之现有技术，本发明提供的一种基于深度学习算法对磁路材料表面缺陷进行检测的方法能够对磁路产品表面的缺陷形态进行自我学习并优化网络模型，克服了产品缺陷形态随机，纹理复杂，对比度低等干扰因素带来的诸多不利影响，尤其是在少量样本输入的条件下，采用数据增强也能获得优秀的网络模型，从而提高缺陷识别率，另外，本发明方法的数据处理速度至少与现有机器视觉算法相当，且准确率与良率远超现有机器视觉算法，能够显著提高磁路产品的出厂质量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一典型实施方案中一种对磁路材料表面缺陷进行检测的方法的原理图。
图2是本发明一典型实施方案中卷积神经网络的前向传播过程图。
图3是本发明一典型实施方案中根据预设阈值融合生成检测结果的示意图。
具体实施方式
如前所述，鉴于现有技术的不足，本案发明人经长期研究和大量实践，得以提出本发明的技术方案。下面将对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如前所述，本案发明人经长期研究和实践，提出了一种新型的磁路材料表面缺陷检测方法，其主要采用了基于深度卷积神经网络的分类算法，其中对输入图像块进行压缩与切割，导入分类器，形成多层神经网络模型，其能够适应磁路表面缺陷随机性带来的干扰，准确识别缺陷。
进一步的讲，参阅图1所示，本发明一典型实施案例中提供的一种对磁路材料表面缺陷进行检测的方法包括如下步骤：
步骤(1)，收集训练图片；
步骤(2)，进行人工标注；
步骤(3)，将训练图和标注图用设计的卷积神经网络进行训练；
步骤(4)，输入相机采集的磁路未标注图像得到预测结果；
步骤(5)，根据预设阈值融合生成检测结果。
如下将予以更为详细的说明。
在该典型实施例中，所述的步骤(1)包括：收集训练图片，作为训练的样本数据，需分类收集无缺陷样品图片和缺陷样品图片，无缺陷样品图片和每一种缺陷的图片尽量提供数量差不多。在该典型实施例中，所述的步骤(2)包括：用图像标注工具进行标注，对无缺陷样品和缺陷样品都予以标注。无缺陷样品图像标注只需保存为像素全为黑色的且和原图大小相同的图片，缺陷样品图像标注需用不同颜色代表不同缺陷类型的画笔，按像素区域标记出缺陷位置，生成的标注图像为除了标注区域有颜色，其他部分都为黑色的图片。
在该典型实施例中，所述的步骤(3)包括：用卷积神经网络进行训练，在训练开始时，进行图像的多尺度增强，该种处理方式是在每轮训练的时候都对原始样本图像做一些尺度变换，如缩放、旋转、镜像、错切，此步操作可以达到样本图像数量较少的情况下也可以训练出泛化能力很好的模型。
进一步地，在该典型实施例中，所述卷积神经网络的前向传播过程大致如图2所示，包括：首先，输入训练图片，对图片进行归一化，归一化采用先减去图像均值再除以图像方差的方式；接着，将输入原图和标注图缩放至网络输入层的大小，进一步地将缩放后的图片传入五层卷积加池化和四层反卷积加上采样的网络中；最后，用softmax算法得到n张特征图的预测结果。
进一步地，在该典型实施例中，所述的训练包括：采用类似梯度下降的优化算法对每轮训练的得到的预测结果和标注结果做对比，然后对网络参数做迭代优化，直至训练出一组参数使得预测结果和标注结果极其近似为止。
进一步地，在该典型实施例中，所述的步骤(4)包括：将相机采集的未标注图像输入以上训练好的网络当中，执行一次前向传播得到n张特征图的过程。
进一步地，在该典型实施例中，所述的步骤(5)的过程可以如图3所示。在一些情况下，可以假设磁路缺陷有两种，输入的图片中包含两种缺陷，图片大小为5*5，标注图背景为0，两种缺陷标注像素值为1和2，图3所示输入一张5*5大小待预测图片，经过卷积神经网络预测得到三张特征图。三张特征图每一个像素位置上的值代表该点可能为该种特征的概率，进一步将三张特征图每张图的每一个位置上的点与其他两张特征图的同一个位置的点上的概率值做比较，生成一张每个点概率最大索引的统计图，在生成统计图时，本发明的方法中还加入了概率阈值，即，如果某一点位置的最大类别概率小于设置的阈值，该点位置都将视为是背景特征，其索引将被设为0，如图3中设置阈值为0.95，则第二行最后一个点被视为背景而不是1类缺陷。最后生成的二维统计图每个点表征的是该点是0、1、2三种类型的一种，根据该二维统计图进一步用blob提取方法便可简单的画出原图上的缺陷所在区域。
应当理解，上述实施例仅为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。