1.一种手机玻璃缺陷检测方法,其特征在于,包括步骤:
获取手机盖板玻璃的原始缺陷图像数据;
利用WGAN‑GP网络对所述原始缺陷图像数据进行扩充,以得到扩充后的缺陷图像数据;
根据所述原始缺陷图像数据和所述扩充后的缺陷图像数据获得手机盖板玻璃的VOC缺陷数据集;
搭建改进YOLOv3检测网络;所述改进YOLOv3检测网络包括特征提取层和检测层;具体包括步骤:利用可变形卷积层进行采样及加权运算,以获得改进的特征提取层;具体包括步骤:手机盖板玻璃缺陷照片首先进行尺寸调整,调整为符合YOLOv3网络需要的尺寸,接着送入特征提取层,先经过一个卷积层,共计卷积核32个,每个卷积核大小为3*3,步长为1;
将输出的特征图经过一个含64个卷积核的卷积层,卷积核大小为3*3,步长为2,特征图尺寸缩小一半;
输出的特征图经过一个可变形卷积层,卷积核数量为32,接着经过普通卷积层,卷积核数量64,卷积核大小为3*3,步长为1,接着经过一层快捷链路层,可变形卷积层、普通卷积层及快捷链路层组成一个改进的RES层;
将得到的特征图经过一层卷积层,包含128个卷积核,卷积核大小3*3,步长为2,接着经过2个相同的改进的RES层;
特征图经过一个包含256个卷积核的卷积层,卷积核大小为3*3,步长为2;将得到的特征图经过8个原始的RES层,RES层即采用两个卷积层与一个快捷链路组成;
经过一层包含512个卷积核的卷积层,卷积核大小为3*3,步长为2,接着经过含8个原始的RES层;
将得到的特征图经过一层包含1024个卷积核的卷积层,卷积核大小为3*3,步长为2,接着经过含4个原始的RES层,以获得改进的特征提取层;
在原YOLOv3检测层中增加一层特征检测层,并融合更浅层的特征和更深层的特征对图像小目标进行检测,以获得检测层;具体包括步骤:经过特征提取层,对图像进行32倍下采样,特征图深度为1024;
在第一层检测层,经过7层交替的3*3和1*1的卷积层进行下采样,检测层此时检测的特征图大小为图像经过32倍下采样得到的大小,深度为3*(5+classes),class代表检测的类别;
第二层检测层,融合整个YOLOv3网络的87层和63层输出的特征图进行检测,经过7层交替的3*3和1*1的卷积层进行下采样,检测层此时检测的特征图大小为图像经过16倍下采样得到的大小,深度为3*(5+classes);
对于第三层检测层融合整个YOLOv3网络的99层和38层输出的特征图进行检测,经过7层交替的3*3和1*1的卷积层进行下采样,检测层此时检测的特征图大小为图像经过8倍下采样得到的大小,深度为3*(5+classes);
第四层检测层,融合整个YOLOv3网络的111层和13层输出的特征图进行检测,经过7层交替的3*3和1*1的卷积层进行下采样,检测层此时检测的特征图大小为图像经过4倍下采样得到的大小,深度为3*(5+classes),以获得检测层;
利用K‑means算法对标记框进行聚类,以得到多个锚箱,并添加进所述检测层中;
利用所述改进YOLOv3检测网络对所述VOC缺陷数据集进行基础训练,以得到权重文件;
根据所述改进YOLOv3检测网络中BN层的权重系数对所述权重文件进行稀疏训练,以得到权重和网络框架;
对所述权重和所述网络框架进行检测数据集的测试,以得到检测目标的类别信息、位置信息及置信度信息。
2.根据权利要求1所述的手机玻璃缺陷检测方法,其特征在于,所述获取手机盖板玻璃的原始缺陷图像数据的步骤为:利用工业相机获取手机盖板玻璃的原始缺陷图像数据。
3.根据权利要求1所述的手机玻璃缺陷检测方法,其特征在于,所述利用WGAN‑GP网络对所述原始缺陷图像数据进行扩充,以得到扩充后的缺陷图像数据的步骤,包括步骤:搭建WGAN‑GP网络;
利用WGAN‑GP网络对所述原始缺陷图像数据进行训练,以得到所述扩充后的缺陷图像数据。
4.根据权利要求1所述的手机玻璃缺陷检测方法,其特征在于,所述根据原始缺陷图像数据和扩充后的缺陷信息获得手机盖板玻璃的缺陷数据集的步骤,包括步骤:利用LabelImg程序对所述原始缺陷图像数据及所述扩充后的缺陷图像数据进行标记,以得到xml文件;
利用python程序对xml文件进行格式转换,以得到txt文件;所述txt文件包括训练集和测试集;
对所述训练集和测试集的比例进行调节,以得到所述VOC缺陷数据集。
5.根据权利要求1所述的手机玻璃缺陷检测方法,其特征在于,所述根据改进YOLOv3检测网络中BN层的权重系数对所述权重文件进行稀疏训练,以得到权重和网络框架的步骤为:根据所述权重文件中的训练权重,对网络模型进行通道剪枝和层剪枝,以获得相对应的权重和网络框架。
6.根据权利要求5所述的手机玻璃缺陷检测方法,其特征在于,所述对网络模型进行通道剪枝的步骤为:根据BN层的缩放因子λ系数作为重要性因子,当λ越小,则说明此通道越不重要,对此通道进行剪枝;所述缩放因子λ系数根据方程式 计算得到;
其中,第一项为模型预测损失,第二项是关于γ的正则项,λ是权衡两项的超参数,赋值为1e‑4或1e‑5,g(*)表达式为g(s)=|s|,即L1范数。
7.一种手机玻璃缺陷检测装置,其特征在于,包括:
图像采集模块,用于获取手机盖板玻璃的原始缺陷图像数据;
数据扩充模块,用于生成WGAN‑GP网络,并在所述WGAN‑GP网络中对所述原始缺陷图像数据进行扩充,得到所述扩充后的缺陷图像数据;
数据集制作模块,用于根据所述原始缺陷图像数据和所述扩充后的缺陷图像数据获得手机盖板玻璃的VOC缺陷数据集;
网络搭建模块,用于搭建改进YOLOv3检测网络;
聚类模块,用于利用K‑means算法对标记框进行聚类,以得到多个锚箱,并添加进所述检测层中;
数据检测模块,用于对权重和网络框架进行检测数据集的测试,以得到检测目标的类别信息、位置信息及置信度信息。
8.一种计算机设备,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,是所述处理器执行如权利要求1至6中任一项所述的手机玻璃缺陷检测方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的手机玻璃缺陷检测方法的步骤。