基于深度学习在海缆表面缺陷检测中的应用
来源:用户上传
作者:张浩 吴陈 徐影
摘要：传统的海缆表面缺陷检测是通过人工观察的方式，易出现高错误率、速度较慢等现象。为此，文章提出了一种基于深度学习在海缆表面缺陷检测的系统。为了提高整体的检测效率，该系统通过Faster - RCNN网络对图片缺陷进行检测。为了减小模型的复杂程度，采用了RPN Loss+ Fast RCNN Loss的联合训练方法，通过一次的反向传播更新模型参数。同时，为了增强模型对海缆表面缺陷的检测能力，在主干特征提取网络部分，利用Resnet50中四个不同阶段的特征层构建特征金字塔网络，以适应不同缺陷的检测。实验结果表明，缺陷检出率达到98%，分类准确率达到97.9%。经过验证，该系统检测效果优于传统方式，可以满足工业化生产要求。
关键词：深度学习;海缆;表面缺陷;检测
中图分类号：TP311 文献标识码：A
文章编号：1009-3044（2022）15-0088-04
海缆是用绝缘体包裹的电缆或光缆，铺设在海底的一种通信线路[1]。因为需要特殊的工作环境，所以需要更加严格的标准。
对于传统的人工检测方法，受到有限的空间与时间限制，存在很多不足之处。通常人眼能较好地辨别缺陷尺寸需要大于0.5mm，且需要较大的光学形变（64灰度级），同时当待测物w的运动速度到达3m/s的临界点时，人眼将不能够发现缺陷存在的具体形态[2];同时，必须在强光源下才能快速找到海缆表面的缺陷;加之长时间工作，极易引起眼疾，而且会产生比较高的误检率及漏检率。因此，在现实工业生产中急需一种改善传统检测的方案。
1 相关工作
得益于现代图像处理和模式识别等技术的发展，以机器视觉的表面缺陷检测方法在工业产品品质把控环节中得到了较为广泛的应用。文献[3]中分析了机器视觉瑕疵检测精度可达到微米级，机器快门采集时间可以达到微秒级，识别和判断都能够保持稳定，使得检测效率得到提升。但是表面缺陷检测系统的核心在于缺陷检测算法，主要涉及统计、光谱、模型、学习和结构，其主要过程包含了图像预处理、二值化[4]、特征提取[5]、特征处理[6]及模式分类[7]等，以上的每个检测步骤都可能影响最终的检测结果。此外，在平时的生产环境中，图片数据包含的内容是十分复杂的，这也增加了选择特征的难度，大大降低了检测的效率。
随着近年来3C智能硬件的快速迭代，生产检测技术也随之不断推陈出新，诞生了深度学习方法。“人工神经网络”的发展推进了深度学习思想的产生。从人类大脑中汲取灵感，模拟人脑分析问题的机制，建立计算机分析学习的神经网络[8]。基于深度学习方法的视觉缺陷检测系统，可以减少一般方法中手动提取特征对识别精度的影响，能够更精确地检测并识别产品存在的各种表面缺陷。深度学习可以处理复杂的特征提取问题。当前国内外基于深度学习在图像检测领域，主要的方法有两种大类：YOLO（You Only Live Once）[9-11]和RCNN（Region Convolutional Neural Networks）[12-14]，一般YOLO系列的算法速度快于RCNN系列的算法，但是精度较之不如。在2014年，R-CNN被Girshick等人[9]提出。通过卷积神经网络进行检测图像，明显使检测效率得到提升。之后在R-CNN的基础上，Girshick等人[10]又提出了Fast RCNN，通过ROI（Regions of Interest） Pooling 进行滑动窗口[15-16]的方式和Selective Search的方法，达到比RCNN更好的检测效果。在这之后，Ren等人[11]提出了Faster-RCNN，该算法通过区域建议网络（Region Proposal Network，RPN）[17]代替R-CNN和Fast-RCNN中的Selective Search算法，基本实现了实时检测功能。
根据以上方法的总结，在模型较为复杂时，效率以及准确度会有所降低。为了处理这种问题，笔者利用Resnet50中四个不同阶段的特征层构建特征金字塔网络，以适应不同缺陷的检测。同时，我们采用了RPN Loss+ Fast RCNN Loss的联合训练方法，通过一次反向传播更新模型参数来降低模型复杂度，从而快速有效地进行表面缺陷检测。
1 海缆表面瑕疵检测系统结构
该系统的基本思路是先对图像进行预处理，利用主干特征提取网络进行特征提取，然后使用RPN加强特征提取，最后进行缺陷类型的分类和边框回归，大致处理流程图如图1所示。
2 图像预处理
在预处理图像的过程中，笔者主要采用了HALCON软件进行处理。这款软件是由德国的MVtec公司开发的一款优秀的机器视觉软件。它拥有图像滤波降噪、数学变换、形态学运算等多种强大功能。
2.1 对比度增强
为了增强图像的高频区域，比如边缘、拐角。笔者使用了HALCON软件中的emphasize算子，这个功能可以更清晰地观察图片。
2.2 滤波除噪处理
通过对图像进行卷积重叠，然后再进行滤波方法，对整个图像进行模糊化处理，然后可设定取固定数值的图像波段，去除噪声。为了进一步降低噪音影响，采用了中值滤波的算法。
[g（x，y）=1Mf∈sf（x，y）] （1）
在式（1）中，[x，y]代表图片二维数组的两个坐标。这里采用的是取3×3的矩阵，然后经过希尔排序获取中值。
3 基于Faster-RCNN的缺陷目标检测
3.1 R-CNN
nlc202207151046
转载注明来源:https://www.xzbu.com/8/view-15435979.htm
