嚴(yán)道森，孫 淵

（上海電機(jī)學(xué)院機(jī)械學(xué)院，上海201306）

隨著現(xiàn)代工業(yè)的快速發(fā)展，以注塑成型為基礎(chǔ)的塑料注塑件應(yīng)用越來(lái)越廣泛，外觀質(zhì)量是影響注塑件品質(zhì)的一個(gè)關(guān)鍵因素［1］。因此，對(duì)注塑件表面質(zhì)量進(jìn)行直觀檢測(cè)是檢測(cè)注塑件質(zhì)量的一個(gè)重要環(huán)節(jié)。人工目視檢測(cè)仍然是注塑件生產(chǎn)企業(yè)主要采用的檢測(cè)方法，容易受到人為主觀因素的限制，檢測(cè)的準(zhǔn)確率難以保證［2］。同時(shí)，工人的視覺(jué)疲勞和精神疲勞使得檢測(cè)的效率難以持續(xù)，長(zhǎng)期在充滿刺鼻化工塑料氣味的環(huán)境工作，也會(huì)對(duì)工人身體健康產(chǎn)生一定影響。

基于上述問(wèn)題，機(jī)器視覺(jué)檢測(cè)技術(shù)可以很好地克服檢測(cè)任務(wù)中人工檢測(cè)的不足。傳統(tǒng)的機(jī)器視覺(jué)檢測(cè)技術(shù)是人工選取特征作為機(jī)器學(xué)習(xí)的參數(shù)，通過(guò)特征分類算法實(shí)現(xiàn)圖像的識(shí)別分類，這對(duì)人工經(jīng)驗(yàn)要求極高，也難以推廣發(fā)展。傳統(tǒng)機(jī)器視覺(jué)檢測(cè)方法的不足之處在于無(wú)法自動(dòng)提取圖像分類特征，但卷積神經(jīng)網(wǎng)絡(luò)算法可以很好地實(shí)現(xiàn)這些要求。卷積神經(jīng)網(wǎng)絡(luò)主要特點(diǎn)是利用卷積操作，逐層提取特征，通過(guò)權(quán)值變化使得網(wǎng)絡(luò)可以擬合目標(biāo)分類函數(shù)［3-5］。將卷積神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于注塑件表面缺陷圖像的識(shí)別當(dāng)中，一方面可實(shí)現(xiàn)注塑件的表面缺陷視覺(jué)檢測(cè)識(shí)別，另一方面也能克服傳統(tǒng)特征工程算法的局限性等問(wèn)題。

在國(guó)內(nèi)外，卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于表面缺陷檢測(cè)的案例也有很多。Lecun等［6］設(shè)計(jì)的LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)，成功實(shí)現(xiàn)手寫數(shù)字的識(shí)別。隨著人工智能研究的進(jìn)一步興起，Krizhevsky等［7］提出了更深層次的AlexNet網(wǎng)絡(luò)結(jié)構(gòu)模型，且在國(guó)際大賽上取得較好效果。隨著計(jì)算機(jī)硬件的不斷發(fā)展，以VGGNet［8］等網(wǎng)絡(luò)結(jié)構(gòu)為代表的深層次、大規(guī)模的卷積神經(jīng)網(wǎng)絡(luò)也不斷出現(xiàn)，為卷積神經(jīng)網(wǎng)絡(luò)在視覺(jué)檢測(cè)領(lǐng)域的應(yīng)用提供更多助力。Weimer等［9］通過(guò)深度卷積神經(jīng)網(wǎng)絡(luò)替代傳統(tǒng)工業(yè)視覺(jué)檢測(cè)方法，克服了傳統(tǒng)方法高度依賴人工經(jīng)驗(yàn)選取缺陷特征的不足，并驗(yàn)證了卷積神經(jīng)網(wǎng)絡(luò)的方法取得了更好的效果。Celik等［10］通過(guò)神經(jīng)網(wǎng)絡(luò)對(duì)織物缺陷進(jìn)行檢測(cè)分類，取得了較高的檢測(cè)準(zhǔn)確率和分類準(zhǔn)確率。在國(guó)內(nèi)也有許多相關(guān)研究成果。莊新卿等［11］將卷積神經(jīng)網(wǎng)絡(luò)算法與輪廓提取算法結(jié)合，用于鋼鐵表面缺陷檢測(cè)，實(shí)驗(yàn)取得了較為理想的準(zhǔn)確率；王憲保等［12］研究了神經(jīng)網(wǎng)絡(luò)在太陽(yáng)能板缺陷檢測(cè)中的應(yīng)用；顏偉鑫［13］以鑄造件缺陷檢測(cè)為研究任務(wù)，提出將快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)和一種新的錨框設(shè)定方案相結(jié)合的方法，極大提升了缺陷的檢測(cè)率；陳雋文［14］以高鐵觸網(wǎng)中的緊固件為檢測(cè)對(duì)象，提出由3個(gè)階段組成的網(wǎng)絡(luò)模型，通過(guò)實(shí)驗(yàn)結(jié)果驗(yàn)證了算法的可行性；劉孟軻等［15］針對(duì)軌道缺陷檢測(cè)的研究提出了一種卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)驗(yàn)證明了該網(wǎng)絡(luò)結(jié)構(gòu)在軌道表面缺陷識(shí)別中有較高的識(shí)別率。

目前，國(guó)內(nèi)外機(jī)器視覺(jué)檢測(cè)方面的研究較多，但應(yīng)用于注塑件表面缺陷檢測(cè)的研究不多。基于上述眾多相關(guān)文獻(xiàn)的研究案例，以及來(lái)自生產(chǎn)中的實(shí)際需求，將卷積神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于注塑件表面缺陷檢測(cè)，具有較強(qiáng)的實(shí)際應(yīng)用意義。

1 卷積神經(jīng)網(wǎng)絡(luò)

1.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)內(nèi)部有著大量的參數(shù)，在網(wǎng)絡(luò)訓(xùn)練時(shí)，正是由于這些參數(shù)的存在，使得卷積神經(jīng)網(wǎng)絡(luò)有強(qiáng)大的擬合能力。

（1）卷積層。卷積層是卷積神經(jīng)網(wǎng)絡(luò)的主要特征，卷積層主要是進(jìn)行卷積操作，卷積核進(jìn)行卷積是卷積層的具體方法。在圖像處理的過(guò)程中，卷積核與輸入圖像的像素進(jìn)行卷積操作，輸出結(jié)果，形成新的特征圖。

卷積過(guò)程的計(jì)算如下：

（2）池化層。一般在卷積層提取到特征數(shù)據(jù)后，需要對(duì)其進(jìn)行降采樣操作，保留主要特征信息，減少網(wǎng)絡(luò)運(yùn)行中的數(shù)據(jù)量，同時(shí)也增加了網(wǎng)絡(luò)的泛化能力，減少了過(guò)擬合問(wèn)題的發(fā)生。池化操作主要分為平均池化和最大池化，平均池化和最大池化分別是指在池化視場(chǎng)內(nèi)取平均值和最大值。

（3）全連接層。作為神經(jīng)網(wǎng)絡(luò)中的常規(guī)層，全連接層連接其先前層中的所有神經(jīng)元。該層的主要功能是創(chuàng)建點(diǎn)積，并在每個(gè)神經(jīng)元的輸入中添加偏差。網(wǎng)絡(luò)中，最后一個(gè)池化層之后全連接層將多維特征映射轉(zhuǎn)換為一維特征向量，用于進(jìn)一步的特征表示。

（4）輸出層。輸出層主要是根據(jù)全連接層整合后的特征信息，利用分類器對(duì)輸入數(shù)據(jù)進(jìn)行分類預(yù)測(cè)，輸出預(yù)測(cè)分類結(jié)果。

1.2 常見(jiàn)經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)

（1）LeNet神經(jīng)網(wǎng)絡(luò)模型于1998年由Lecun等［6］提出，該網(wǎng)絡(luò)規(guī)模很小，但其結(jié)構(gòu)完整，是一個(gè)典型的基礎(chǔ)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。后續(xù)的許多經(jīng)典網(wǎng)絡(luò)的出現(xiàn)都參考了該網(wǎng)絡(luò)的特性。

在網(wǎng)絡(luò)的輸入層，圖像大小為32×32，之后是第1個(gè)卷積層，擁有6個(gè)卷積核，卷積核尺寸大小為5×5，經(jīng)過(guò)卷積運(yùn)算后，輸出6通道的特征圖，大小為28×28。下一層為池化層，包含了6個(gè)特征圖，移動(dòng)步長(zhǎng)為2，經(jīng)過(guò)采樣運(yùn)算后每個(gè)特征圖的大小縮減為14×14。再往后，同樣是一個(gè)卷積層加池化層的組合結(jié)構(gòu)，特征圖的數(shù)量逐漸增多，尺寸則變小。接著連接兩個(gè)全連接層，將上層的結(jié)果進(jìn)行匯總，并輸入Softmax回歸層進(jìn)行分類任務(wù)。

（2）AlexNet神經(jīng)網(wǎng)絡(luò)模型是在LeNet神經(jīng)網(wǎng)絡(luò)模型之后提出的，AlexNet的網(wǎng)絡(luò)結(jié)構(gòu)依靠5個(gè)卷積層提取主要特征。前2層卷積核較大，特征提取能力較強(qiáng)，在第1~3層設(shè)有3個(gè)池化層，后面由3個(gè)全連接層和1個(gè)分類器組成完整的網(wǎng)絡(luò)結(jié)構(gòu)。

某種程度上，AlexNet為后續(xù)許多網(wǎng)絡(luò)提供參考。AlexNet雖然相比LeNet有了更強(qiáng)的能力，但在處理注塑件表面缺陷識(shí)別問(wèn)題時(shí)，也存在一些不足。其前兩層卷積核大小分別為11×11和5×5，偏大的卷積核容易造成卷積核在提取圖像特征時(shí)能力不足的問(wèn)題，效果可能會(huì)受到影響。

（3）VGGNet神經(jīng)網(wǎng)絡(luò)模型比AlexNet神經(jīng)網(wǎng)絡(luò)模型層次更深，有多個(gè)不同的版本，采用了5個(gè)卷積結(jié)構(gòu)，但每個(gè)卷積層內(nèi)設(shè)有多個(gè)卷積核。通過(guò)小卷積核的組合達(dá)到大卷積核的檢測(cè)效果，且不丟失細(xì)節(jié)特征。

以VGG-16為例，與AlexNet相比，VGGNet普遍采用了小卷積核和保持輸入大小等技巧，目的是在提高網(wǎng)絡(luò)深度的同時(shí)，確保各層輸入大小隨著深度增加而不會(huì)急劇減小。VGGNet所有卷積核的大小均為3×3，最大池化層大小為2×2，使用2個(gè)3×3卷積核替代5×5的卷積核。相似的，3個(gè)3×3的卷積層串聯(lián)則相當(dāng)于1個(gè)7×7的卷積層。在處理注塑件表面缺陷識(shí)別問(wèn)題時(shí)，雖然其卷積核提取能力足夠，但網(wǎng)絡(luò)結(jié)構(gòu)仍過(guò)于復(fù)雜。

2 注塑件表面缺陷識(shí)別

2.1 常見(jiàn)經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分析

卷積神經(jīng)網(wǎng)絡(luò)適用于圖像識(shí)別處理，主要是依靠多層卷積層不斷提取圖像的特征參數(shù)圖。由于本文所涉及的注塑件缺陷圖像的缺陷較小，圖像復(fù)雜度也相對(duì)較低。因此，綜合考慮注塑件表面缺陷檢測(cè)的特性，選定低層的卷積層作為注塑件表面缺陷識(shí)別網(wǎng)絡(luò)算法。

對(duì)于上一章所介紹的3個(gè)經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分析可知：①相對(duì)于后續(xù)的一些模型，LeNet-5規(guī)模很小，但網(wǎng)絡(luò)結(jié)構(gòu)完整，是較早成功應(yīng)用于手寫數(shù)字圖像識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。本文的檢測(cè)目標(biāo)是注塑件的表面缺陷檢測(cè)，缺陷特征多變且細(xì)小，LeNet-5網(wǎng)絡(luò)層數(shù)過(guò)少，難以實(shí)現(xiàn)注塑件表面缺陷的檢測(cè)。②AlexNet網(wǎng)絡(luò)結(jié)構(gòu)龐大，網(wǎng)絡(luò)層數(shù)相對(duì)較深。但其卷積層中前兩層的卷積核較大，不利于提取注塑件表面缺陷中的細(xì)節(jié)特征，并不適合注塑件表面缺陷檢測(cè)。③VGG網(wǎng)絡(luò)可以看作是AlexNet的加深版，優(yōu)化了卷積核的結(jié)構(gòu)，但其網(wǎng)絡(luò)結(jié)構(gòu)仍然較為復(fù)雜，難以直接應(yīng)用于注塑件的表面缺陷檢測(cè)。

2.2 注塑件表面缺陷識(shí)別基礎(chǔ)網(wǎng)絡(luò)模型設(shè)計(jì)

針對(duì)上述常見(jiàn)經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)在注塑件表面缺陷檢測(cè)中存在的不足之處，提出了一種注塑件表面缺陷識(shí)別基礎(chǔ)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型。該模型選取了AlexNet與VGGNet各自的優(yōu)勢(shì)，主要設(shè)置了5個(gè)卷積層，對(duì)應(yīng)5個(gè)池化層，在卷積部分的末端，有3層全連接層。根據(jù)輸出的特征數(shù)據(jù)，由Softmax層做出分類預(yù)測(cè)。注塑件表面缺陷識(shí)別基礎(chǔ)網(wǎng)絡(luò)模型結(jié)構(gòu)如表1所示，其網(wǎng)絡(luò)模型結(jié)構(gòu)示意圖如圖1所示。

由表1和圖1可知，輸入層為224×224×1的單通道圖像，對(duì)卷積核大小進(jìn)行統(tǒng)一，均為3×3，較小的卷積核更有利于提取細(xì)小的缺陷特征。第1層卷積中設(shè)定有32個(gè)卷積核，數(shù)據(jù)輸入后，卷積輸出32通道的特征圖，大小為224×224；第1層卷積后，由于數(shù)據(jù)量過(guò)大，需要池化層對(duì)其進(jìn)行降采樣，池化層大小為2×2，特征圖的大小減小一半；經(jīng)過(guò)降采樣的特征圖進(jìn)入第2層卷積層，有64個(gè)卷積核，對(duì)由前一層輸入的特征圖卷積，得到64通道的特征圖，再經(jīng)第2層池化層進(jìn)行降采樣；特征圖數(shù)據(jù)再進(jìn)入第3層卷積層，卷積核數(shù)為128，輸出的特征圖通道數(shù)為128；第4層和第5層特征通道數(shù)均為256，因此，卷積部分最終輸出為256通道的特征圖。

表1 注塑件表面缺陷識(shí)別基礎(chǔ)網(wǎng)絡(luò)模型結(jié)構(gòu)

圖1 注塑件表面缺陷識(shí)別基礎(chǔ)網(wǎng)絡(luò)模型結(jié)構(gòu)示意圖

3 注塑件缺陷數(shù)據(jù)集

3.1 注塑件缺陷圖像的采集

在注塑件表面缺陷圖像檢測(cè)的任務(wù)中，首先要獲取高質(zhì)量的注塑件表面缺陷圖像，檢測(cè)目標(biāo)主要為中小型的注塑件。因此，需要結(jié)合檢測(cè)目標(biāo)的特點(diǎn)，搭建一套用于獲取注塑件圖像的圖像采集設(shè)備。本文選用?？低昅V-CA030-11GM型號(hào)的工業(yè)相機(jī)用于采集樣本圖像集，保證圖像的清晰度。缺陷圖像如圖2所示。

圖2 缺陷圖像

3.2 圖像數(shù)據(jù)集的處理

樣本圖像的清晰度會(huì)對(duì)卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別能力產(chǎn)生一定的影響，越清晰的圖像越有利于提升識(shí)別的準(zhǔn)確率。因此，在計(jì)算機(jī)進(jìn)行機(jī)器視覺(jué)學(xué)習(xí)之前，會(huì)對(duì)圖像進(jìn)行預(yù)處理，強(qiáng)化缺陷圖像的一些特征，便于識(shí)別。常見(jiàn)的圖像增強(qiáng)的方法有對(duì)比度拉伸變換、圖像銳化、平滑等。本文的檢測(cè)對(duì)象是注塑件，根據(jù)注塑件缺陷圖像的特征，采用直方圖均衡化的方法對(duì)圖像進(jìn)行增強(qiáng)處理。

灰度直方圖通過(guò)統(tǒng)計(jì)圖像的灰度值來(lái)描述圖像的特征。對(duì)于一張數(shù)字圖像，統(tǒng)計(jì)所有像素的灰度值出現(xiàn)的次數(shù)，直觀展示了灰度圖像的紋理分布特性。原始圖像灰度直方圖如圖3所示。

圖3 原始圖像灰度直方圖

由圖3可知，圖像灰度值較集中，缺陷的特征難以顯現(xiàn)出來(lái)。以均衡化灰度直方圖的方法對(duì)圖像的特征信息進(jìn)行增強(qiáng)，像素?cái)?shù)量集中的灰度級(jí)適當(dāng)擴(kuò)寬，使缺陷圖像更清晰。令M(i，j)為原始圖像像素，G(i，j)為增強(qiáng)后的圖像像素，其中i=1，2，…，m；j=1，2，…，n。具體的直方圖均衡化方法如下：

（1）根據(jù)原始圖像[M(i，j)]m×n的灰度級(jí)，求解原始圖像的灰度直方圖，灰度級(jí)統(tǒng)計(jì)由向量N(k，l)表示。

（2）求解原始圖像灰度分布概率為

式中：NM=n×m為像素總個(gè)數(shù)；N(k)為灰度級(jí)k對(duì)應(yīng)的像素總個(gè)數(shù)。

（3）通過(guò)原始圖像的分布概率來(lái)求解圖像灰度級(jí)的累計(jì)分布概率為

式中：S(0)=PM(0)。

（4）計(jì)算灰度值之間的映射關(guān)系，即原始圖像灰度級(jí)k對(duì)應(yīng)的均衡化后的灰度級(jí)為

求解直方圖均衡化后的圖像像素值為

最后獲得均衡化后的圖像。

直方圖均衡化變換后，注塑件表面缺陷圖像中的缺陷特征得到顯著的增強(qiáng)，如圖4所示。

圖4 直方圖均衡化

選取4 000幅注塑件圖片作為樣本數(shù)據(jù)庫(kù)，其中無(wú)缺陷、劃痕、凹坑和黑點(diǎn)的樣本數(shù)各為1 000張。各選取900張圖片作為訓(xùn)練集樣本，100張作為測(cè)試集樣本。對(duì)于樣本訓(xùn)練集和測(cè)試集，分別將它們制作成一個(gè)tfrecord格式文件。tfrecord格式文件是tensorflow框架中統(tǒng)一存儲(chǔ)的數(shù)據(jù)格式，訓(xùn)練集和測(cè)試集的圖像都存在文件里面，并將圖像數(shù)據(jù)和其相應(yīng)的類別編號(hào)相對(duì)應(yīng)。

4 對(duì)比實(shí)驗(yàn)分析

4.1 實(shí)驗(yàn)環(huán)境

本文實(shí)驗(yàn)的運(yùn)行環(huán)境為64位Win10系統(tǒng)，計(jì)算機(jī)內(nèi)存為32 GB，處理器為Intel（R）Core（TM）i7-7800。使用深度學(xué)習(xí)框架中的tensorflow架構(gòu)構(gòu)建網(wǎng)絡(luò)程序，其作為機(jī)器學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)的主流框架之一，具有靈活性，適用于本文的卷積神經(jīng)網(wǎng)絡(luò)算法。根據(jù)處理器和顯卡的版本，選用cuda 10.0和cudn 7作為tensorflow gpu 1.14支持，GPU版本的tensorflow在設(shè)備上的運(yùn)行速度遠(yuǎn)快于CPU版本。采用Pycharm的集成開(kāi)發(fā)環(huán)境，通過(guò)第3方函數(shù)庫(kù)安裝程序anaconda 3作為開(kāi)發(fā)環(huán)境配置工具。程序語(yǔ)言選用Python 3.6進(jìn)行編寫。

4.2 實(shí)驗(yàn)結(jié)果分析

卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于缺陷檢測(cè)時(shí)，需要根據(jù)實(shí)際情況對(duì)一些參數(shù)進(jìn)行選擇測(cè)試。在注塑件表面缺陷識(shí)別基礎(chǔ)網(wǎng)絡(luò)模型訓(xùn)練中，模型結(jié)構(gòu)已經(jīng)確定，因此需要對(duì)學(xué)習(xí)率、訓(xùn)練批次大小、迭代次數(shù)以及優(yōu)化器進(jìn)行設(shè)定。這些參數(shù)對(duì)網(wǎng)絡(luò)的訓(xùn)練效果產(chǎn)生重要影響，根據(jù)訓(xùn)練集樣本及網(wǎng)絡(luò)結(jié)構(gòu)的特點(diǎn)，設(shè)置學(xué)習(xí)率為0.000 1，訓(xùn)練批次為16，迭代次數(shù)為1 000，選用Adam函數(shù)作為誤差梯度下降優(yōu)化函數(shù)。

針對(duì)常見(jiàn)的經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型，選取LeNet-5，AlexNet和VGGNet（16）與本文中注塑件表面缺陷識(shí)別基礎(chǔ)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比實(shí)驗(yàn)。使用同一個(gè)數(shù)據(jù)集分別對(duì)4個(gè)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并對(duì)比檢測(cè)結(jié)果。根據(jù)實(shí)驗(yàn)的特點(diǎn)，上述3個(gè)經(jīng)典網(wǎng)絡(luò)模型需要作出適當(dāng)?shù)男薷?，因本文的?shí)驗(yàn)圖像主要有4種分類，所以網(wǎng)絡(luò)的分類部分應(yīng)具備4種分類識(shí)別能力，全連接層處需要作出相應(yīng)調(diào)整，分類器全部使用Softmax進(jìn)行分類，分別對(duì)應(yīng)黑點(diǎn)、凹坑、劃痕和無(wú)缺陷4類。為保證實(shí)驗(yàn)的效果，AlexNet和VGGNet（16）選用與注塑件表面缺陷識(shí)別網(wǎng)絡(luò)模型相同尺寸的輸入圖像，圖像大小為224×224像素，將LeNet圖像輸入進(jìn)行圖像大小變換，使其輸入圖像大小為32×32像素。選取各網(wǎng)絡(luò)的最優(yōu)識(shí)別結(jié)果統(tǒng)計(jì)，測(cè)試集識(shí)別缺陷個(gè)數(shù)如表2所示。

表2 識(shí)別缺陷個(gè)數(shù)

實(shí)驗(yàn)參數(shù)不變，在5次訓(xùn)練后取總體準(zhǔn)確率的平均值進(jìn)行統(tǒng)計(jì)，對(duì)比結(jié)果如表3所示。

通過(guò)對(duì)比試驗(yàn)可知，傳統(tǒng)算法對(duì)注塑件表面缺陷檢測(cè)均無(wú)法取得較好效果，特別是對(duì)于劃痕類缺陷，識(shí)別效果較差。主要原因在于劃痕缺陷較細(xì)，直接使用經(jīng)典神經(jīng)網(wǎng)絡(luò)模型參數(shù)無(wú)法有效提取缺陷特征。相比之下，本文提出的注塑件表面缺陷識(shí)別基礎(chǔ)網(wǎng)絡(luò)模型，在卷積核參數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)上進(jìn)行了針對(duì)性構(gòu)建。由表3中的數(shù)據(jù)可知，LeNet取得了48.75%的平均準(zhǔn)確率，AlexNet取得了54.4%的平均準(zhǔn)確率，VGGNet（16）取得了82.5%的平均準(zhǔn)確率，均低于本文所提出的注塑件表面缺陷識(shí)別基礎(chǔ)網(wǎng)絡(luò)模型所取得的96.0%的平均準(zhǔn)確率。針對(duì)注塑件表面缺陷的檢測(cè)識(shí)別，本文提出的網(wǎng)絡(luò)模型取得了較好的識(shí)別效果。

表3 不同分類算法結(jié)果對(duì)比

5 結(jié) 論

注塑件表面缺陷識(shí)別檢測(cè)目前主要依靠人工檢測(cè)，而人工檢測(cè)目前存在許多不足之處。機(jī)器視覺(jué)檢測(cè)技術(shù)可以克服人工檢測(cè)的不足，但傳統(tǒng)機(jī)器視覺(jué)檢測(cè)技術(shù)主要依靠特征工程和分類器模型結(jié)合的方法，對(duì)人工經(jīng)驗(yàn)要求高，且識(shí)別精度受人為特征選擇的影響。本文提出使用卷積神經(jīng)網(wǎng)絡(luò)的方法實(shí)現(xiàn)注塑件表面缺陷圖像的識(shí)別檢測(cè)，通過(guò)對(duì)3種經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行分析，結(jié)合注塑件表面缺陷的特點(diǎn)，提出了注塑件表面缺陷識(shí)別網(wǎng)絡(luò)模型結(jié)構(gòu)。然后，通過(guò)工業(yè)相機(jī)采集缺陷圖像，并對(duì)圖像進(jìn)行了適當(dāng)?shù)脑鰪?qiáng)處理。最后，通過(guò)數(shù)據(jù)集訓(xùn)練網(wǎng)絡(luò)模型，統(tǒng)計(jì)在注塑件表面缺陷識(shí)別檢測(cè)中3種經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型和本文提出的網(wǎng)絡(luò)模型的缺陷識(shí)別率，對(duì)比驗(yàn)證了本文的網(wǎng)絡(luò)模型取得了更好的識(shí)別效果。