謝澤祺，徐 巍*，鄒光明，姜 佳，閔 達(dá)

（1.武漢科技大學(xué) 冶金裝備及其控制教育部重點(diǎn)實(shí)驗(yàn)室，武漢 430081；2.武漢科技大學(xué) 機(jī)械傳動(dòng)與制造工程湖北省重點(diǎn)實(shí)驗(yàn)室，武漢 430081）

0 引言

在日常生活中玻璃瓶是一種使用廣泛、實(shí)用性強(qiáng)的容器。在制造過(guò)程中,由于生產(chǎn)工藝、加工設(shè)備及人為因素會(huì)對(duì)玻璃瓶造成不同類型的缺陷。這些缺陷不僅會(huì)影響生產(chǎn)商的利潤(rùn)水平,更會(huì)影響消費(fèi)者的使用[1]。在玻璃瓶的生產(chǎn)制造過(guò)程中,對(duì)于其質(zhì)量檢測(cè)環(huán)節(jié)來(lái)說(shuō)顯得尤為重要。

機(jī)器視覺(jué)作為一種非接觸性檢測(cè)技術(shù),用計(jì)算機(jī)來(lái)模擬人的視覺(jué)系統(tǒng),已經(jīng)成為檢測(cè)領(lǐng)域的一個(gè)重要發(fā)展方向。傳統(tǒng)表面缺陷檢測(cè)通常是由人工來(lái)辨識(shí),為解決這類問(wèn)題Raaffat等[2]在1996年提出一種基于機(jī)器視覺(jué)的玻璃和塑料檢測(cè)系統(tǒng)。湯勃等[3]提出Otsu閾值分割法對(duì)鋼板表面微小缺陷進(jìn)行分割。呂明珠[4]提出基于K-means聚類的十字線分割法檢測(cè)印刷品表面缺陷。機(jī)器視覺(jué)檢測(cè)技術(shù)相比于傳統(tǒng)檢測(cè)技術(shù)效率更高、穩(wěn)定性更強(qiáng),具有更高的檢測(cè)速度。隨著深度學(xué)習(xí)的快速發(fā)展,一些基于深度學(xué)習(xí)的方法在不斷運(yùn)用于不同領(lǐng)域。近年來(lái),深度學(xué)習(xí)的代表卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network,CNN）,在圖像分類與識(shí)別[5]、自然語(yǔ)言識(shí)別、語(yǔ)音的識(shí)別與合成[6,7]、信號(hào)處理和人臉識(shí)別[8]等方面應(yīng)用廣泛,且取得了較好的結(jié)果。頡潭成等[9]提出利用卷積神經(jīng)網(wǎng)絡(luò)識(shí)別軸承故障。王豪南等[10]提出基于交叉并行卷積神經(jīng)網(wǎng)絡(luò)對(duì)貨物列車車廂號(hào)識(shí)。韓林潔等[11]提出一維卷積神經(jīng)網(wǎng)絡(luò)對(duì)軸承壽命的預(yù)測(cè)。上述研究表明CNN具有良好的分類效率和質(zhì)量。

本文通過(guò)對(duì)玻璃瓶口缺陷圖進(jìn)行預(yù)處理,結(jié)合卷積神經(jīng)網(wǎng)絡(luò),提出一種基于殘差卷積神經(jīng)網(wǎng)絡(luò)的玻璃瓶缺陷檢測(cè)方法,實(shí)現(xiàn)缺陷檢測(cè)及分類。最后通過(guò)玻璃瓶口的缺陷檢測(cè)驗(yàn)證了該方法的有效性和可行性。

1 實(shí)驗(yàn)系統(tǒng)及算法原理

1.1 實(shí)驗(yàn)系統(tǒng)

圖1是玻璃瓶口缺陷檢測(cè)示意圖,分為兩個(gè)部分。圖1(a)是圖像獲取單元,從瓶口的主要形狀和光學(xué)角度進(jìn)行分析,可以確定以無(wú)影LED 光照的原理通過(guò)光學(xué)照明的方式來(lái)使瓶口特征更加明顯的體現(xiàn),從而獲取整個(gè)瓶口的完整信息以便于后期的檢測(cè)。再由CCD相機(jī)獲取圖像,然后圖像采集卡對(duì)輸出的信號(hào)進(jìn)行實(shí)時(shí)采集并將數(shù)字化處理后的圖像傳輸至計(jì)算機(jī)中。圖1(b)是圖像處理和缺陷識(shí)別模塊,用OpenCV對(duì)圖像進(jìn)行預(yù)處理,將預(yù)處理后的圖片構(gòu)建成實(shí)驗(yàn)數(shù)據(jù)集,用TensorFlow設(shè)計(jì)出殘差卷積神經(jīng)網(wǎng)絡(luò)模型,對(duì)缺陷圖像進(jìn)行訓(xùn)練和分類,最終達(dá)到缺陷檢測(cè)的目的。

圖1 檢測(cè)系統(tǒng)示意圖

圖像算法主要分為三個(gè)模塊：圖像初步處理,深度學(xué)習(xí)網(wǎng)絡(luò)模型構(gòu)建,測(cè)試數(shù)據(jù)得出實(shí)驗(yàn)結(jié)果。算法流程圖如圖2所示。

圖2 圖像處理算法流程

1.2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks,CNN）,屬于前饋神經(jīng)網(wǎng)絡(luò)。與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)最大的區(qū)別是加入了卷積層和池化層[12～14]。卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖3所示。

圖3 CNN基本結(jié)構(gòu)示意圖

在全連接中每個(gè)神經(jīng)元與前后相鄰層的神經(jīng)元相連,輸入是特征,輸出為預(yù)測(cè)結(jié)果。在實(shí)際項(xiàng)目中輸入神經(jīng)網(wǎng)絡(luò)時(shí)具有更高分辨率的圖片使得送入全連接網(wǎng)絡(luò)的輸入特征過(guò)多,隨著隱藏層層數(shù)的增加、網(wǎng)絡(luò)規(guī)模過(guò)大、待優(yōu)化參數(shù)過(guò)多、容易使模型過(guò)擬合。在實(shí)際應(yīng)用時(shí)會(huì)對(duì)原始圖片進(jìn)行特征提取來(lái)減少待訓(xùn)練參數(shù)。把提取出來(lái)的特征送給全連接網(wǎng)絡(luò),讓全連接網(wǎng)絡(luò)輸出識(shí)別結(jié)果。

卷積計(jì)算是一種有效的特征提取方法。對(duì)于圖片數(shù)據(jù),這種權(quán)值相乘累加的運(yùn)算是在信號(hào)處理領(lǐng)域的一種標(biāo)準(zhǔn)運(yùn)算：離散卷積運(yùn)算。離散卷積運(yùn)算在計(jì)算機(jī)視覺(jué)中有著廣泛的應(yīng)用。在信號(hào)處理領(lǐng)域,1D連續(xù)信號(hào)的卷積運(yùn)算被定義2個(gè)函數(shù)的積分：函數(shù),函數(shù),其中經(jīng)過(guò)了翻轉(zhuǎn)和平移后變成。卷積的“卷”是指翻轉(zhuǎn)平移操作,“積”是指積分運(yùn)算,1D離散卷積積分如式(1)所示：

計(jì)算機(jī)視覺(jué)中,卷積運(yùn)算基于2D圖片函數(shù)f(m,n)和2D卷積核g(m,n),其中f(m,n)和g(m,n)僅在各自窗口有效區(qū)域存在值,其他區(qū)域視為0。此時(shí)的2D離散卷積定義如式(2)所示：

卷積神經(jīng)網(wǎng)絡(luò)通常用局部連接,權(quán)值共享和降采樣使其具有圖像識(shí)別不變性來(lái)減少權(quán)值參數(shù)數(shù)量[15,16]。局部連接即局部相關(guān)性,節(jié)點(diǎn)與感受野窗口內(nèi)的所有像素連接,與窗口外的像素不連接。權(quán)值共享通過(guò)權(quán)值矩陣得到一個(gè)局部的信息,局部信息即為一個(gè)卷積核,用這個(gè)卷積核對(duì)全圖進(jìn)行一個(gè)卷積運(yùn)算。降采樣是為了減少卷積神經(jīng)網(wǎng)絡(luò)中的特征數(shù)據(jù)量通常采取池化操作,池化同樣基于局部相關(guān)性的思想,通過(guò)從局部相關(guān)的一組元素中進(jìn)行采樣或信息聚合,從而得到新的元素值。

2 樣本數(shù)據(jù)預(yù)處理

在玻璃瓶的生產(chǎn)中,玻璃瓶口常見的缺陷有小缺口、斷口、裂紋和磨損這四種主要缺陷,如圖5所示。

圖5 玻璃瓶口常見缺陷

為了減少CNN的訓(xùn)練量和訓(xùn)練時(shí)和產(chǎn)生的多余窗口,本文將對(duì)原始圖像進(jìn)行預(yù)處理操作?？紤]到玻璃瓶口的大小不變且缺陷分布全在瓶口處,本文通過(guò)圖像預(yù)處理減少了背景干擾,提取圖像中缺陷邊緣的位置。得到高質(zhì)量的玻璃圖像輸出,為接下來(lái)的操作提供必要條件。本文中的圖像預(yù)處理是指對(duì)獲得的圖像進(jìn)行灰度化處理,包括有二值化處理、平滑處理、閾值檢測(cè)和邊緣檢等[17～19]多種操作。

2.1 灰度值轉(zhuǎn)變

為了更好得到圖像的梯度特征減少圖像后續(xù)處理的計(jì)算量和提高計(jì)算效率,我們通常將三通道的彩色圖轉(zhuǎn)變成單通道的灰度圖。一幅圖像是由許多像素點(diǎn)組成。而每個(gè)像素點(diǎn)的顏色都是由R、G、B三個(gè)顏色分量決定,每個(gè)分量的取值都在0～255之間。白色為255,黑色為0。圖像的灰度化處理將圖像的三通道轉(zhuǎn)換成單通道。灰度處理的方法通常有分量法、平均值法、最大值法和加權(quán)平均法。本文采用加權(quán)平均法處理原始圖像。公式如式(3)所示：

式(3)中：R(x,y),G(x,y),B(x,y),分別是原始彩色圖像的紅、綠、藍(lán)三色分量。一般wR=0.299,wG=0.587,wB=0.114時(shí)[19],得到的灰度圖像效果最好。

2.2 閾值分割和邊緣提取

閾值分割是將圖像中的目標(biāo)與背景區(qū)分開,分割法是以區(qū)域?yàn)榛A(chǔ)的圖像分割方法,它的理論是：根據(jù)設(shè)置不同的閾值,將圖片的像素點(diǎn)劃分成多個(gè)類別。設(shè)初始圖片為f(x,y),根據(jù)特定的規(guī)則在f(x,y)中查找到特征值T,把圖像根據(jù)閾值進(jìn)行分割形成2個(gè)部分,處理后圖像的表達(dá)式如式(4)所示：

若b0=0為黑色,b1=1為白色,經(jīng)過(guò)閾值進(jìn)行分割之后,圖像轉(zhuǎn)換為二值圖像,在二值圖像中只含有黑色和白色兩種顏色。

閾值分割的方法有：雙峰法、迭代法、OTSU法、最大熵分割法。假設(shè)將圖像分為背景和前景兩個(gè)部分。熵代表信息量,圖像信息量越大,熵就越大,最大熵算法就是找出一個(gè)最佳閾值使得背景與前景兩個(gè)部分熵之和最大。本文采用最大熵分割法對(duì)圖像進(jìn)行分割。

Kapuret提出利用圖像熵為準(zhǔn)則進(jìn)行圖像分割,是現(xiàn)在仍然使用較廣的一種圖像熵分割方法。給定一個(gè)特定的閾值q(0≤q＜K-1),對(duì)于該閾值所分割的兩個(gè)圖像區(qū)域C0,C1,其估算的概率密度函數(shù)可表示為：

式(6)中：P0(q)為q閾值下背景區(qū)域像素的累計(jì)概率,P1(q)為q閾值下目標(biāo)區(qū)域像素的累計(jì)概率,兩者之和為1。背景和目標(biāo)對(duì)應(yīng)的熵表示為：

式(8)中：H0(q)、H1(q)分別表示圖像閾值后的黑、白像素相關(guān)的熵,也就是背景區(qū)域和目標(biāo)區(qū)域的熵。最佳的閾值是H0(q)+H1(q)時(shí)得到的最大熵,最大熵如式(9)所示：

最大閾值分割法的結(jié)果如圖6所示。圖6分別顯示了小缺口、裂紋、斷口、磨損的灰度直方圖。由灰度直方圖選出閾值灰度級(jí),從而得到缺陷圖的二值圖像。

圖6 缺陷圖像直方圖和二值圖像

邊緣檢測(cè)是圖像分割、識(shí)別圖像的邊緣的一個(gè)重要方法。根據(jù)上一步得到的二值圖像,本文采用Canny邊緣檢測(cè)對(duì)玻璃瓶口缺陷進(jìn)行特征提取。Canny邊緣提取主要有四步：高斯濾波降噪、計(jì)算圖像梯度、非極大值抑制和閾值篩選,首先對(duì)圖像高斯濾波降噪處理,避免出現(xiàn)過(guò)多的偽邊緣。邊緣就是灰度值變化較大的像素點(diǎn)集合,在圖像中用梯度來(lái)表示灰度值的變化程度和方向綜合梯度,通過(guò)以下公式計(jì)算梯度值和梯度方向：

式(11)中：gy(m,n),gx(m,n)是不同方向梯度值。在高斯濾波過(guò)程中,邊緣有可能被放大了,通過(guò)非極大值抑制使邊緣的寬度盡可能為1個(gè)像素點(diǎn)。最后閾值篩選,在Canny中使用最大和最小兩個(gè)閾值篩選邊緣提高準(zhǔn)確度。其中大于最大閾值的都被檢測(cè)為邊緣,而低于最小閾值的都被檢測(cè)為非邊緣。對(duì)于中間的像素點(diǎn),如果與確定為邊緣的像素點(diǎn)鄰接,則判定為邊緣；否則為非邊緣。本文選取的最大閾值為150,最小閾值為50,圖7是邊緣檢測(cè)后的圖片。

圖7 不同缺陷的邊緣提取

3 網(wǎng)絡(luò)搭建

3.1 ResNet網(wǎng)絡(luò)介紹

卷積神經(jīng)網(wǎng)絡(luò)隨著網(wǎng)絡(luò)層數(shù)的不斷加深,其學(xué)習(xí)能力也會(huì)增強(qiáng),人們?cè)谔剿骶矸e實(shí)現(xiàn)特征提取中發(fā)現(xiàn)通過(guò)加深網(wǎng)絡(luò)層數(shù)取得了越來(lái)越好的效果。但是隨著網(wǎng)絡(luò)層數(shù)繼續(xù)堆疊增加,準(zhǔn)確率反而下降,單純堆疊神經(jīng)網(wǎng)絡(luò)層數(shù)會(huì)使神經(jīng)網(wǎng)絡(luò)模型退化,以至于后面的特征丟失了前面特征的原本模樣。ResNet[20]網(wǎng)絡(luò)通過(guò)深度殘差框架解決了這個(gè)退化問(wèn)題。

ResNet模型是由何凱明于2015年提出的一種CNN網(wǎng)絡(luò)結(jié)構(gòu)。ResNet用了一根跳連線將前邊的特征直接連接到了后邊,使輸出結(jié)果H(x)包含了堆疊卷積的非線性輸出F(x)和跳過(guò)著兩層堆疊卷積,直接連接過(guò)來(lái)的恒等映射x,使得對(duì)應(yīng)元素相加。這一操作有效緩解了神經(jīng)網(wǎng)絡(luò)模型堆疊導(dǎo)致的退化,使得神經(jīng)網(wǎng)絡(luò)可以向著更深層級(jí)發(fā)展。

輸入x通過(guò)兩個(gè)卷積層,得到特征變換后的輸出F(x),與輸入x進(jìn)行對(duì)應(yīng)元 素的相加運(yùn)算,得到最終輸出F(x)=x+F(x)叫做殘差模塊。如圖8所示。由于被跳連線包圍的卷積神經(jīng)網(wǎng) 絡(luò)需要學(xué)習(xí)映射F(x)=H(x)-x,故稱為殘差網(wǎng)絡(luò)。

圖8 殘差模塊

ResNet中有兩種情況,一種情況如圖9中的實(shí)線所示,這種情況兩層堆疊卷積沒(méi)有改變特征圖的維度,也就是它們特征圖的個(gè)數(shù)、高、寬、深度都相同,直接將F(x)與x相加。另一種情況用圖中的虛線表示,這種情況中兩層堆疊卷積改變了特征圖的維度。需要借助1×1的卷積來(lái)調(diào)整x的維度。使H(x)與F(x)的維度一致。如圖9所示。

圖9 不同情況的殘差模塊

3.2 構(gòu)建網(wǎng)絡(luò)模型

網(wǎng)絡(luò)加深會(huì)使得網(wǎng)絡(luò)訓(xùn)練變得十分不穩(wěn)定,過(guò)深的網(wǎng)絡(luò)層數(shù)還會(huì)造成網(wǎng)絡(luò)不收斂和網(wǎng)絡(luò)不更新。同時(shí)網(wǎng)絡(luò)對(duì)超參數(shù)也比較敏感,超參數(shù)的變化會(huì)導(dǎo)致網(wǎng)絡(luò)訓(xùn)練完全改變。2015年,Google研究人員Sergey Ioffe等提出了一種參數(shù)標(biāo)準(zhǔn)化（Normalize）的手段,并基于參數(shù)標(biāo)準(zhǔn)化設(shè)計(jì)了批標(biāo)準(zhǔn)化（Batch Nomalization,簡(jiǎn)稱BN）。

神經(jīng)網(wǎng)絡(luò)對(duì)0附近的數(shù)據(jù)更加敏感,但是隨著網(wǎng)絡(luò)層數(shù)的增加,特征數(shù)據(jù)會(huì)出現(xiàn)偏離0均值的情況,標(biāo)準(zhǔn)化使數(shù)據(jù)符合以0為均值,1為標(biāo)準(zhǔn)差的正態(tài)分布,把偏移的特征數(shù)據(jù)重新拉回0附近。批標(biāo)準(zhǔn)化是一個(gè)batch的數(shù)據(jù)做標(biāo)準(zhǔn)化處理,使數(shù)據(jù)回歸標(biāo)準(zhǔn)正態(tài)分布。常用在卷積操作和激活操作之間?？梢酝ㄟ^(guò)以下式子計(jì)算批標(biāo)準(zhǔn)化后得到輸出特征圖：

本文的卷積層和全連接層均采用線性整流函數(shù)（Relu函數(shù)）作為激活函數(shù)。Relu函數(shù)是個(gè)分段函數(shù),符合激活函數(shù)具備近似恒等性。Relu函數(shù)在正區(qū)間解決了梯度消失的問(wèn)題,并且只需要判斷輸入是否大于0,計(jì)算速度快。訓(xùn)練參數(shù)時(shí)收斂速度遠(yuǎn)快于Sigmoid函數(shù)和tanh函數(shù)。BN操作可以避免訓(xùn)練中過(guò)多的負(fù)數(shù)特征進(jìn)入Relu函數(shù)導(dǎo)致神經(jīng)元死亡。

在本文模型的構(gòu)建中通過(guò)卷積層、批標(biāo)準(zhǔn)化層、激活函數(shù)層的堆疊構(gòu)建出殘差神經(jīng)網(wǎng)絡(luò)的一個(gè)基本塊,每個(gè)基本塊有兩個(gè)卷積。整個(gè)模型第一層采用64個(gè)3×3的卷積核,步長(zhǎng)為1,全零填充,采用BN操作,Relu激活。第一個(gè)塊是兩條實(shí)線跳連的維度相同的ResNet塊,接下來(lái)的第二,三,四塊先由虛線連接不同維度的ResNet塊,再由實(shí)線連接相同維度的ResNet塊,每條虛線的借助1×1的卷積調(diào)整使得維度一致。最后經(jīng)過(guò)平均全局池化和全連接得到殘差卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),整個(gè)網(wǎng)路結(jié)構(gòu)一共18層,如圖10所示。

圖10 殘差網(wǎng)絡(luò)模型結(jié)構(gòu)圖

配置網(wǎng)絡(luò)模型的訓(xùn)練方法,選擇Adam優(yōu)化器對(duì)算法進(jìn)行優(yōu)化,用分類交叉熵函數(shù)作為損失函數(shù)。告知網(wǎng)絡(luò)評(píng)測(cè)指標(biāo)。最后使用分類器對(duì)不同缺陷數(shù)據(jù)進(jìn)行分類。

4 實(shí)驗(yàn)結(jié)果分析

4.1 數(shù)據(jù)集

本文采用CCD相機(jī)和圖像采集卡獲取玻璃瓶口缺陷圖像,將圖像預(yù)處理后自制數(shù)據(jù)集。在深度學(xué)習(xí)的過(guò)程中數(shù)據(jù)集是十分重要的,當(dāng)訓(xùn)練集中的樣本數(shù)不夠多容易造成過(guò)擬合,為了使神經(jīng)網(wǎng)絡(luò)具有更好的泛化性,同時(shí)增加模型魯棒性。通過(guò)旋轉(zhuǎn)、鏡像等操作可以擴(kuò)充樣本數(shù)據(jù)集,增加數(shù)據(jù)集的數(shù)量。

在本次實(shí)驗(yàn)中,圖像處理采取旋轉(zhuǎn)和鏡像操作來(lái)擴(kuò)充數(shù)據(jù)集,預(yù)處理得到的結(jié)果為訓(xùn)練集圖像2000幅和測(cè)試集圖像200幅。如表2所示。

表2 訓(xùn)練集和測(cè)試集分布

4.2 網(wǎng)絡(luò)訓(xùn)練及結(jié)果分析

完成預(yù)處理的操作后將歸一化的圖像數(shù)據(jù)導(dǎo)入網(wǎng)絡(luò)模型,對(duì)玻璃瓶口缺陷分類。操作系統(tǒng)為Window10 X64,包含NVIDIA GeForce GTX 1660Ti GPU顯卡機(jī)器,內(nèi)存8G,該實(shí)驗(yàn)在TensorFlow框架下進(jìn)行訓(xùn)練,本文的迭代輪為10000,動(dòng)量為0.9,學(xué)習(xí)率為0.001。為了防止過(guò)擬合,提高模型的泛化能力,在模型訓(xùn)練的過(guò)程中,將訓(xùn)練集按照5∶1進(jìn)一步地劃分為訓(xùn)練集和驗(yàn)證集。在本文中訓(xùn)練集數(shù)量為2000,驗(yàn)證集數(shù)量為400。

隨著網(wǎng)絡(luò)迭代次數(shù)的逐漸增加,ResNet網(wǎng)絡(luò)模型達(dá)到了非常好的收斂狀態(tài)。網(wǎng)絡(luò)模型的訓(xùn)練集損失曲線和驗(yàn)證集曲線呈逐步下降狀態(tài),網(wǎng)絡(luò)模型的識(shí)別率曲線呈逐步上升的狀態(tài),并在迭代8000次時(shí)達(dá)到了95.5%。網(wǎng)絡(luò)模型的訓(xùn)練集損失曲線、驗(yàn)證集損失曲線和識(shí)別率曲線如圖11所示。

圖11 缺陷圖像識(shí)別準(zhǔn)確率及損失曲線

使用卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)4類缺陷的檢測(cè)結(jié)果如表3所示。

表3 測(cè)試集缺陷檢測(cè)結(jié)果

從表3可以看出玻璃瓶口缺陷檢測(cè)網(wǎng)絡(luò)以95.50%的正檢率完成了共計(jì)200個(gè)樣本,其中小缺口和磨損存在漏檢和錯(cuò)檢,裂紋存在漏檢,這是因?yàn)檫^(guò)小的缺口不易歸類。

為了進(jìn)一步驗(yàn)證卷積神經(jīng)網(wǎng)絡(luò)的性能,本文設(shè)計(jì)了對(duì)比實(shí)驗(yàn),分別使用BP神經(jīng)網(wǎng)絡(luò)、VGG-6網(wǎng)絡(luò)、SF兩層網(wǎng)絡(luò)、文獻(xiàn)[21]所提的閾值統(tǒng)一局部TULBP+BP神經(jīng)網(wǎng)絡(luò)缺陷檢測(cè)方法和文獻(xiàn)[22]所提的局部二值模式LBP陷檢測(cè)方法,與本文所提ResNet實(shí)驗(yàn)結(jié)果進(jìn)行比較,統(tǒng)計(jì)了以上6種方法的正檢率及漏檢率,結(jié)果如表4所示。

表4 ResNet與其他方法對(duì)比

實(shí)驗(yàn)對(duì)比可知ResNet的漏檢率最低,且正檢率最高,具有較高的精度。

5 結(jié)語(yǔ)

針對(duì)玻璃瓶缺陷人工檢測(cè)復(fù)雜困難這一問(wèn)題,本文提出基于卷積神經(jīng)網(wǎng)絡(luò)的玻璃瓶口缺陷檢測(cè)。本文將玻璃瓶口缺陷圖像進(jìn)行閾值分割,使用Canny算子提取缺陷邊緣,將預(yù)處理的圖片自制數(shù)據(jù)集。再用ResNet卷積神經(jīng)網(wǎng)絡(luò)對(duì)玻璃瓶口缺陷處理圖像進(jìn)行分類,驗(yàn)證出卷積神經(jīng)網(wǎng)絡(luò)對(duì)檢測(cè)玻璃瓶口缺陷的可行性。為驗(yàn)證ResNet的網(wǎng)絡(luò)性能,用ResNet網(wǎng)絡(luò)與其他網(wǎng)絡(luò)等自動(dòng)分類方法做比較,得出ResNet具有較高的精度和準(zhǔn)確性。隨著玻璃瓶產(chǎn)業(yè)的發(fā)展,該自動(dòng)缺陷檢測(cè)方法對(duì)玻璃瓶質(zhì)量檢測(cè)應(yīng)用具有現(xiàn)實(shí)意義。