一种基于深度学习的铝膜缺陷检测方法及相关设备与流程

1.本发明涉及目标检测技术领域，具体涉及一种基于深度学习的铝膜缺陷检测方法及相关设备。


背景技术：

2.铝膜具有良好的功能特性，在生活中的应用相当广泛，例如工业制造、电子器件生产等。一般的，铝膜通过特殊的化学工艺从原材料中得到，而生产铝膜的厂家在生产铝膜的过程中，由于不可控的因素，容易使得到的铝膜成品产生一些缺陷，而产品的缺陷检测是厂家生产过程需要把控的质量关，铝膜缺陷因铝膜的表面比较平整、光滑，容易反射光线，使得表面缺陷不容易被检测得到，因此亟需良好的检测方法来检测出铝膜的缺陷。
3.现多数厂家技术人员由于技术的原因，铝膜的缺陷检测采用人工目检的方法，而人工目检的方法存在以下问题：一、人工目检主观影响比较大，检测的标准因人而异，且人工检测效率比较低下；二，铝膜生产的幅面比较大时，人工漏检比较多，并且铝膜表面光滑更容易导致反光，使得漏检出现的几率也更大。


技术实现要素：

4.本发明实施例提供一种基于深度学习的铝膜缺陷检测方法及相关设备，旨在解决现有的铝膜检测使用人工目检，导致检测效率低下、存在漏检情况的问题。
5.第一方面，本发明实施例提供一种基于深度学习的铝膜缺陷检测方法，所述方法包括以下步骤：
6.s1、通过实时拍摄采集铝膜图像；
7.s2、对采集的所述铝膜图像做预处理，得到预处理图像；
8.s3、对所述预处理图像进行标签标记处理，得到关于所述预处理图像中铝膜缺陷对应的标签；
9.s4、使用所述预处理图像进行缺陷检测网络的训练，并使用聚类算法计算图像中铝膜缺陷的预测框；
10.s5、使用余弦衰减学习率的方式迭代沦陷所述缺陷检测网络，直到训练结束，获取训练得到的模型权重参数，并利用加载了所述模型权重参数的所述缺陷检测模型进行铝膜缺陷的检测。
11.更进一步地，步骤s2中，所述预处理的方法包括随机角度的旋转、图像亮度的改变、随机平移、翻转中的其中至少一种。
12.更进一步地，步骤s3中，所述标签的参数包括缺陷种类、缺陷中心横坐标、缺陷中心纵坐标、缺陷宽度、缺陷高度。
13.更进一步地，所述缺陷种类至少包括鱼眼、杂物、凹坑、划痕。
14.更进一步地，步骤s4中，所述聚类算法为k-means++。
15.更进一步地，步骤s5中，在所述缺陷检测网络进行迭代训练时，设置训练轮数为
150轮，初始学习率为0.01，优化器使用sgd。
16.第二方面，本发明实施例还提供一种基于深度学习的铝膜缺陷检测系统，包括：
17.图像采集模块，用于通过实时拍摄采集铝膜图像；
18.图像预处理模块，用于对采集的所述铝膜图像做预处理，得到预处理图像；
19.标签标记模块，用于对所述预处理图像进行标签标记处理，得到关于所述预处理图像中铝膜缺陷对应的标签；
20.聚类模块，用于使用所述预处理图像进行缺陷检测网络的训练，并使用聚类算法计算图像中铝膜缺陷的预测框；
21.网络训练模块，用于使用余弦衰减学习率的方式迭代沦陷所述缺陷检测网络，直到训练结束，获取训练得到的模型权重参数，并利用加载了所述模型权重参数的所述缺陷检测模型进行铝膜缺陷的检测。
22.第三方面，本发明实施例还提供一种计算机设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述实施例中任意一项所述的基于深度学习的铝膜缺陷检测方法中的步骤。
23.第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例中任意一项所述的基于深度学习的铝膜缺陷检测方法中的步骤。
24.本发明所达到的有益效果，由于采用了深度学习模型来替代人工目检实现铝膜缺陷检测，避免了人工情况下的漏检问题，可以提高铝膜检测的效率和精度，有效降低人工成本。
25.附图
26.图1是本发明实施例提供的基于深度学习的铝膜缺陷检测方法的步骤流程框图；
27.图2是本发明实施例提供的基于深度学习的铝膜缺陷检测系统200的结构示意图；
28.图3是本发明实施例提供的计算机设备的结构示意图。
具体实施方式
29.下面将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、完整的描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。本领域普通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，均属于本发明的保护范围。
30.请参照图1，图1是本发明实施例提供的基于深度学习的铝膜缺陷检测方法的步骤流程框图，所述方法包括以下步骤：
31.s1、通过实时拍摄采集铝膜图像。
32.示例性的，本发明实施例搭建采集图像平台以进行铝膜图像的采集，平台所使用的相机采用dalsa的面阵相机，光源采用环形蓝色光源，并对光源亮度和相机焦距按照实际部署的位置进行调整，使得图像成像清晰，在平台中使用dalsa图像采集软件采图，图像的分辨率为2056*2056。
33.s2、对采集的所述铝膜图像做预处理，得到预处理图像。
34.更进一步地，步骤s2中，所述预处理的方法包括随机角度的旋转、图像亮度的改
变、随机平移、翻转中的其中至少一种。
35.s3、对所述预处理图像进行标签标记处理，得到关于所述预处理图像中铝膜缺陷对应的标签。
36.更进一步地，步骤s3中，所述标签的参数包括缺陷种类、缺陷中心横坐标、缺陷中心纵坐标、缺陷宽度、缺陷高度。
37.更进一步地，所述缺陷种类至少包括鱼眼、杂物、凹坑、划痕。
38.在本发明实施例中，示例性的，使用标记软件将缺陷图像打好相应的标签，在整理标签文件时，将对应的预处理图像文件名称和标签文件名称一一对应，并将预处理图像和标签统一放在相应的两个文件夹中。
39.s4、使用所述预处理图像进行缺陷检测网络的训练，并使用聚类算法计算图像中铝膜缺陷的预测框。
40.在本发明实施例中，构建基于深度学习的缺陷检测网络以进行针对铝膜缺陷检测的训练，示例性的，所述缺陷检测网络可以是能够实现目标识别的任一种深度学习网络，例如resnet-50、yolov5s等，训练之前将图像大小缩放到1280*1280，本发明实施例所构建的缺陷检测网络能够初始锚框的基础上输出预测框，进而和真实框进行比对，计算两者差距，再反向更新，迭代网络参数。
41.更进一步地，步骤s4中，所述聚类算法为k-means++。本发明实施例使用k-means++算法计算初始的预测框的宽高，聚类算法的使用步骤具体如下：
42.s41、在预测框的数据点之间随机选取一个聚类中心点a；
43.s42、对没有选取到的数据点，计算数据点到中心点a的欧式距离；
44.s43、选择一个新的数据点作为新的聚类中心，选择的原则是：距离较大的点，被选取作为聚类中心的概率较大；
45.s44、重复步骤s42和s43，直到选取k个聚类中心点；
46.s45、对k个初始化的聚类中心点，利用k-means++算法计算最终的聚类中心。
47.s5、使用余弦衰减学习率的方式迭代沦陷所述缺陷检测网络，直到训练结束，获取训练得到的模型权重参数，并利用加载了所述模型权重参数的所述缺陷检测模型进行铝膜缺陷的检测。
48.更进一步地，步骤s5中，在所述缺陷检测网络进行迭代训练时，设置训练轮数为150轮，初始学习率为0.01，优化器使用sgd。根据以上参数完成缺陷检测网络的训练后，取训练后的权重文件，然后使用缺陷检测网络加载训练好的权重文件，即可用于铝膜缺陷的检测。
49.本发明所达到的有益效果，由于采用了深度学习模型来替代人工目检实现铝膜缺陷检测，避免了人工情况下的漏检问题，可以提高铝膜检测的效率和精度，有效降低人工成本。
50.本发明实施例还提供一种基于深度学习的铝膜缺陷检测系统，请参照图2，图2是本发明实施例提供的基于深度学习的铝膜缺陷检测系统200的结构示意图，所述基于深度学习的铝膜缺陷检测系统200包括：
51.图像采集模块201，用于通过实时拍摄采集铝膜图像；
52.图像预处理模块202，用于对采集的所述铝膜图像做预处理，得到预处理图像；
53.标签标记模块203，用于对所述预处理图像进行标签标记处理，得到关于所述预处理图像中铝膜缺陷对应的标签；
54.聚类模块204，用于使用所述预处理图像进行缺陷检测网络的训练，并使用聚类算法计算图像中铝膜缺陷的预测框；
55.网络训练模块205，用于使用余弦衰减学习率的方式迭代沦陷所述缺陷检测网络，直到训练结束，获取训练得到的模型权重参数，并利用加载了所述模型权重参数的所述缺陷检测模型进行铝膜缺陷的检测。
56.所述基于深度学习的铝膜缺陷检测系统200能够实现如上述实施例中的基于深度学习的铝膜缺陷检测方法中的步骤，且能实现同样的技术效果，参上述实施例中的描述，此处不再赘述。
57.本发明实施例还提供一种计算机设备，请参照图3，图3是本发明实施例提供的计算机设备的结构示意图，所述计算机设备300包括：存储器302、处理器301及存储在所述存储器302上并可在所述处理器301上运行的计算机程序。
58.所述处理器301调用所述存储器302存储的计算机程序，执行本发明实施例提供的基于深度学习的铝膜缺陷检测方法中的步骤，请结合图1，具体包括：
59.s1、通过实时拍摄采集铝膜图像；
60.s2、对采集的所述铝膜图像做预处理，得到预处理图像；
61.s3、对所述预处理图像进行标签标记处理，得到关于所述预处理图像中铝膜缺陷对应的标签；
62.s4、使用所述预处理图像进行缺陷检测网络的训练，并使用聚类算法计算图像中铝膜缺陷的预测框；
63.s5、使用余弦衰减学习率的方式迭代沦陷所述缺陷检测网络，直到训练结束，获取训练得到的模型权重参数，并利用加载了所述模型权重参数的所述缺陷检测模型进行铝膜缺陷的检测。
64.更进一步地，步骤s2中，所述预处理的方法包括随机角度的旋转、图像亮度的改变、随机平移、翻转中的其中至少一种。
65.更进一步地，步骤s3中，所述标签的参数包括缺陷种类、缺陷中心横坐标、缺陷中心纵坐标、缺陷宽度、缺陷高度。
66.更进一步地，所述缺陷种类至少包括鱼眼、杂物、凹坑、划痕。
67.更进一步地，步骤s4中，所述聚类算法为k-means++。
68.更进一步地，步骤s5中，在所述缺陷检测网络进行迭代训练时，设置训练轮数为150轮，初始学习率为0.01，优化器使用sgd。
69.本发明实施例提供的计算机设备300能够实现如上述实施例中的基于深度学习的铝膜缺陷检测方法中的步骤，且能实现同样的技术效果，参上述实施例中的描述，此处不再赘述。
70.本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本发明实施例提供的基于深度学习的铝膜缺陷检测方法中的各个过程及步骤，且能实现相同的技术效果，为避免重复，这里不再赘述。
71.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存取存储器(random access memory，简称ram)等。
72.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
73.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
74.上面结合附图对本发明的实施例进行了描述，所揭露的仅为本发明较佳实施例而已，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式用等同变化，均属于本发明的保护之内。