【技術實現步驟摘要】
本專利技術屬于乳膠手套質量檢測，具體涉及一種基于深度學習的乳膠手套質量檢測方法。
技術介紹
1、在乳膠手套的生產過程中，確保其質量至關重要。傳統(tǒng)的質量檢測方法主要依賴人工目視檢查，不僅效率低下，而且容易出現漏檢和誤判，難以滿足大規(guī)模生產的需求。隨著科技的發(fā)展，機器視覺技術逐漸應用于質量檢測領域，但現有的機器視覺檢測方法在準確性和適應性方面仍存在一定局限。近年來，深度學習技術取得了顯著進展，其具有強大的特征提取和模式識別能力。將深度學習與機器視覺技術相結合，為乳膠手套質量檢測提供了新的思路。然而，目前在將深度學習應用于乳膠手套質量檢測方面，仍面臨一些挑戰(zhàn)，如數據標注的準確性、模型的優(yōu)化和訓練效率等。因此，需要一種創(chuàng)新的方法來解決這些問題，實現更高效、準確的乳膠手套質量檢測，以提高生產效率和產品質量，降低生產成本和質量風險。
技術實現思路
1、本專利技術針對上述的質量檢測中所存在數據標注的準確性、模型的優(yōu)化的問題，提出一種方法簡單、操作方便且能夠有效解決方法。
2、為了達到上述目的，本專利技術采用的技術方案為，包括以下步驟：
3、s1、首先采用乳膠手套模具上的拍攝裝置，對乳膠手套進行多角度、全方位的圖像采集；
4、s2、其次采用基于類別均衡采樣的主動學習技術對圖像進行標注，明確標注出每張圖像中乳膠手套的質量問題的類型；
5、s3、然后采用卷積神經網絡cnn構建深度學習模型，并且引入空間注意力機制，使用標注好的圖像對模型進行訓練，通過調整模
6、s4、最后使用訓練好的深度學習模型自動對手套進行圖像采集和質量檢測，并及時輸出檢測結果，根據檢測結果，對有質量問題的手套進行分類處理，提高生產效率和產品質量。
7、所述步驟s3采用卷積神經網絡cnn進行訓練的具體操作為：
8、s31、首先卷積層通過卷積核與輸入圖像進行卷積操作，提取圖像的特征，卷積操作為：其中表示第l層的第i行第j列的輸出值，f是激活函數，nl-1是上一層的特征圖數量，fh,fw分別是卷積核的高度和寬度，是上一層的輸入值，是第l層的偏置項，m和n是用于遍歷卷積核的索引；
9、s32、其次池化層用于降低特征圖的分辨率，減少計算量和參數數量，使用最大池化和平均池化的方法；
10、s33、然后引入空間注意力機制，使模型更加關注乳膠手套上可能存在質量問題的區(qū)域，空間注意力機制的計算公式為：ms(f)＝σ(f7×7([avgpool(f)；maxpool(f)]))，其中f是輸入特征圖，avgpool和maxpool分別表示平均池化和最大池化操作，f7×7表示卷積核大小為7×7的卷積操作，σ表示sigmoid激活函數，ms(f)是計算得到的空間注意力圖；
11、s34、最后使用標注好的圖像對模型進行訓練，通過調整模型的參數，提高模型的準確性和泛化能力，訓練過程中使用改進損失函數，通過調整權重因子，可以使模型更加關注重要的質量問題，提高檢測的準確性和針對性：其中n是樣本數量，c是類別數量，yi,j是第i個樣本的真實類別標簽，如果屬于類別j則為1，否則為0，pi,j是模型預測第i個樣本屬于類別j的概率，wj是為類別j分配的權重。
12、作為優(yōu)選，所述步驟s1中拍攝裝置包括用于對乳膠手套進行多角度、全方位的圖像采集的高分辨率工業(yè)相機和可以提供穩(wěn)定、均勻的照明以確保采集到的圖像質量清晰的照明裝置。
13、作為優(yōu)選，所述步驟s2進行圖像標注具體來說是對采集到的乳膠手套圖像進行質量問題類型的標注，明確區(qū)分出存在褶皺、破孔、雜質摻入以及無質量問題等不同狀態(tài)。
14、作為優(yōu)選，所述步驟s2采用基于類別均衡采樣的主動學習進行乳膠手套圖像標注，由于不同類型的問題如褶皺、破孔、雜質摻入可能在數據中分布不均，會導致對少見問題類別識別的精度降低，引入類別均衡采樣，具體實現為：
15、s21、首先從未標注的乳膠手套圖像中隨機選擇一小部分圖像，由人工標注質量問題的類型，其余圖像保留為未標注數據，供主動學習過程中選擇；
16、s22、使用標注的初始訓練集，訓練一個初始分類模型m0，對于未標注的數據集中的每個個體x，計算模型m0的預測不確定性其中c是類別數，p(yi|x)是模型對類別yi的預測概率；
17、s23、然后計算每個類別c在初始訓練集中的樣本比例wc，并計算類別均衡權重其中ε是一個很小的數防止分母為零；
18、s24、接著對于每個未標注樣本x，根據模型預測的類別以及其不確定性u(x)，計算加權不確定性評分對于選中的高評分樣本x，由人工進行標注，明確標注出乳膠手套的質量問題類型；
19、s25、最后將新標注的樣本添加到訓練集中，重新不斷更新模型，直到模型達到預期精度為95％以上。
20、作為優(yōu)選，所述步驟s4對有質量問題的手套進行分類處理的實現過程是首先當深度學習模型輸出檢測結果，根據結果判斷手套是否存在質量問題；如果手套存在質量問題，進一步分析質量問題的類型，如褶皺、破孔或雜質摻入；對于不同類別的有質量問題的手套，可以采取不同的處理方式，對于褶皺問題較輕的手套，進行修復或返工處理，對于破孔或雜質摻入嚴重的手套，需要進行報廢處理。
21、與現有技術相比，本專利技術的優(yōu)點和積極效果在于，引入空間注意力機制，使模型更加關注乳膠手套上可能存在質量問題的區(qū)域，提高了對重要特征的關注度，從而提高了檢測的準確性。采用基于類別均衡采樣的主動學習技術對圖像進行標注，提高了數據標注的準確性，特別是對于少見問題類別的識別精度，為深度學習模型提供了更可靠的訓練數據。
本文檔來自技高網...【技術保護點】
1.一種基于深度學習的乳膠手套質量檢測的方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于深度學習的乳膠手套質量檢測的方法，其特征在于，所述步驟S1中拍攝裝置包括用于對乳膠手套進行多角度、全方位的圖像采集的高分辨率工業(yè)相機和可以提供穩(wěn)定、均勻的照明以確保采集到的圖像質量清晰的照明裝置。
3.根據權利要求1所述的一種基于深度學習的乳膠手套質量檢測的方法，其特征在于，所述步驟S2進行圖像標注具體來說是對采集到的乳膠手套圖像進行質量問題類型的標注，明確區(qū)分出存在褶皺、破孔、雜質摻入以及無質量問題等不同狀態(tài)。
4.根據權利要求1所述的一種基于深度學習的乳膠手套質量檢測的方法，其特征在于，所述步驟S2采用基于類別均衡采樣的主動學習進行乳膠手套圖像標注，由于不同類型的問題如褶皺、破孔、雜質摻入可能在數據中分布不均，會導致對少見問題類別識別的精度降低，引入類別均衡采樣，具體實現為：
5.根據權利要求1所述的一種基于深度學習的乳膠手套質量檢測的方法，其特征在于，所述步驟S4對有質量問題的手套進行分類處理的實現過程是首先當深度學習模型
...【技術特征摘要】
1.一種基于深度學習的乳膠手套質量檢測的方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于深度學習的乳膠手套質量檢測的方法，其特征在于，所述步驟s1中拍攝裝置包括用于對乳膠手套進行多角度、全方位的圖像采集的高分辨率工業(yè)相機和可以提供穩(wěn)定、均勻的照明以確保采集到的圖像質量清晰的照明裝置。
3.根據權利要求1所述的一種基于深度學習的乳膠手套質量檢測的方法，其特征在于，所述步驟s2進行圖像標注具體來說是對采集到的乳膠手套圖像進行質量問題類型的標注，明確區(qū)分出存在褶皺、破孔、雜質摻入以及無質量問題等不同狀態(tài)。
4.根據權利要求1所述的一種基于深度學習的乳膠手套質量檢測的方法，其特征在...
【專利技術屬性】
技術研發(fā)人員：吳鵬，李玉恒，周鳳環(huán)，楊攀，
申請(專利權)人：山東玉源乳膠手套有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。