基于卷积神经网络的喷漆产品检测

何仁杰，郭秀娟

吉林建筑大学 电气与计算机学院,长春 130118

由于工业化的发展,各种类的喷漆产品层出不穷,给人类社会添加了更为丰富的物质材料,极大地提升了人们的生活质量.喷漆产品的应用非常广泛，例如:汽车、航天飞机、军事装备、医疗器件等等.传统工业中为了保证产品的质量,需要依赖各种高精度的设备、对环境要求十分高的喷漆房和一整套的相关技术.然而在判别工业产品的优劣方面,大多数却依靠人工检测，这就在一定程度上影响了产品的绝对合格率.

世界经济的飞速发展,离不开坚实的科学技术支持.5G时代的来临,人工智能必将成为科学技术发展的领头羊,而卷积神经网络在人工智能领域也必将举足轻重.从20世纪初,由LeCun等人主导设计的LeNet神经网络[1](现代卷积神经网络的雏形)到现如今各种卷积模型的诞生.如:AlexNet,VGGNet,R-CNN等一系列衍生网络模型,彰显了卷积神经网络不可阻挡的发展趋势.神经网络在诞生之初就在图片分析处理的应用上,展现出不俗的能力.卷积神经网络的诞生,更是对这一能力极大的加强.但是卷积神经网络在工厂喷漆产品的应用上,还处于匮乏阶段.

本文提出利用简单的卷积神经网络(Convolution Neural Network,简称:CNN)[2].对喷漆产品进行优劣分类,在大幅度提高判断精确度的同时,也极大地降低了生产成本.

1 卷积神经网络简介

卷积神经网络(Convolution neural network,英文缩为CNN)是一种前馈神经网络或特殊的多层感知器[3].标准的卷积神经网路一般是由输入层(Inputlayer)、交替的卷积层(Convolution layer)和池化层(Pooling layer)、全连接层(Softmax layer)构成.卷积神经网络作为计算机视觉领域最成功的一种深度学习模型,在图片处理上表现得尤为出色，图1是一个标准的卷积神经网络模型.

图1 卷积神经网络模型Fig.1 Convolution neural network model

模型中交替的卷积层(Convolution layer)和池化层(Pooling layer)被称为隐藏层,是整个CNN的核心.各种重要的卷积计算以及各种算法就是在这些隐藏层中实现的.隐藏层中各层的卷积核权重与偏置是根据多次实验预测和梯度算法最后验证得到的.实验预测过程中采集的实验数据集越大,检测的目标越多,隐藏层中蕴含的权重、偏置等参数也就更加精确,因此整个网络的性能也就越好[4].

图2 内饰板样本Fig.2 Interior panel sample

2 以CNN为核心的喷漆产品检测方案

2.1 数据集的建立

因为喷漆产品的种类繁多,颜色、形状等特征也不尽相同,

所以在这篇论文中,采用汽车内饰板的一种单一产品如图2所示,以验证使用CNN为核心技术手段检测产品合格率的可行性.

在图2中,可以看到产品两边的色彩沉淀宽度不一样,上下亮度也有一定差距.所以,把图片分成上、中、下3个部分,分别标记为上边缘、表面和下边缘3个特征,用这3个特征来鉴别产品的优劣性.为了建立这个数据集,采用TOPSUN托新精密公司的汽车内饰装饰板中的300张单一产品,其中包括100张训练数据集、100张测试数据集,100张验证集,经过批量裁剪把每一张图片裁剪成3张600×200的图片,这样训练集、测试集、验证集都有300张图片.

2.2 卷积神经网络的架构

考虑到产品检测中算法对精确度和速度的要求,本文采用轻量级卷积神经网络—全卷积网络FCN[5],结构如表1所示,利用全卷积网络的语义分割和实例分割这两大特性,可以处理更精细的喷漆产品.

对数据集进行均值处理是卷积神经网络常用的处理方法,为了更好地利用数据集,采用批标准化Batch Normalize(BN)网络对数据集的图片进行归一化处理[6]，并通过网络学习实现适度微调.相对于其他的归一化算法,BN的优点在于它拥有防止“梯度弥散”、加速网络收敛速度、可以使用较大的学习率等优点[7].公式如下:

(1)

(2)

(3)

(4)

式中，μB与σB2是mini-batch的m个输入数据的集合B={x1,x2,…,xm}的均值和方差.公式(2)是将输入数据变换为均值为0、方差为1的数据.式(3)中，ε是一个微小值，它是为了避免分母为0的情况.通过这样正规化处理插入到激活函数的前面,可以减少数据分布的偏向[8].公式(4)yi是BN层对正规化后的数据进行缩放和平移交换的一个输出,其中γ和β是参数.初始值分别为1和0,通过学习调整到合适的值.

表1 CNN网络结构Table 1 CNN network structure

由表1结构可以看出，在卷积层首层,采用了5×5的卷积核,且步长2×2.填充选择了可以在前向传播的过程中让特征图的大小保持不变的模式(简称:SAME模式).在池化层中就是下采样,选择了2×2与2×2的组合,根据公式推算输出.最后一个卷积层选择3×3与1×1的配合,是想将图片输出大小进一步缩小.在最后加上全连接层,输出为4×1×2其实就是利用softmax函数将最后一层卷积层的输出正规化,从而得到概率性数据,进而达到一个分类功能的目的.计算公式如下:

(5)

(6)

式中,输入大小(H,W);特征提取器(Filtle)大小(FH,FW);输出大小(OH,OW);步长S;填充P.

在每一层的激活函数选择上,选择了ReLu函数,相比较于sigmoid激活函数,ReLu函数不存在梯度消失的问题,使得模型的收敛速度维持在一个稳定状态[9].

2.3 实验数据分析

图片经过BN网络归一化处理之后输入到第一个卷积层,最后得到32×32×16的结果.因为第一层设置了16个特征提取器(Filtle)进行上采样,经过第一层的卷积得到如图3所示的上边缘卷积图像.

图3 上边缘卷积图像Fig.3 Upper edge curly image

由图3可以清楚地看到边缘部分颜色较深,说明油漆在晾干过程中边缘沉淀较厚.这就体现出机器喷头参数过大的问题,导致油漆喷量多,在表面多余的油漆会向边缘沉淀.

使用网络模型对训练集测试得到的实验结果如表2所示.

表2 训练集产品各部位检测结果Table 2 Test results for each part of trainingset product

由表2可知,上下边缘准确率略小于表面,这是由于边缘部位有外界对比色和边缘结构较为复杂等因素影响,而中间表面的结构平滑、结构单一,所以准确率误差较小.因此,为防止过拟合,需要在数据集上增加大量图片数据集,模型结构上添加Dropout层[10],其主要功能是在训练时,每一次传递数据就会随机的选择一些需要删除隐藏的神经元,等到在测试时,虽然所有的神经元信号都是传递,但是它会将每个神经元的输出与训练时删除比例相乘后输出.训练损失值如图4所示，训练集与测试集结果如图5所示.

图4 损失值曲线Fig.4 Loss value curve

图5 训练集与测试集准确率Fig.5 Training set and test set accuracy

从图4中可以明显看到,在训练集测试之前,损失值特别大,一旦开始训练损失值则立即减少,迅速降到0.5左右.从图5中看出,测试准确率在测试之前也是0.5左右,这就是模型盲猜.随着训练步数的增加,训练与测试准确率也逐渐升高,最后稳定在80 %以上.测试集甚至可以达到90 %以上,倘若实验允许,当实验步数增加到10 000以上,准确率会稳定在95 %左右.但是因为本次实验使用的设备是win 10+i 5+GTX 950 M,受设备运算能力影响不能进行大量数据集的训练与检测.

3 结论

利用CNN检测喷漆产品是否合格是具有可行性的,并且有一定的准确率与参考价值,如果条件允许可以在两个方面进一步完善检测模型.

(1) 数据集的建立可以增加大量的数据集,这样不但可以防止欠拟合,还可以使实验结论更具有说服力.

(2) 计算机计算能力,本次使用是CPU版本的计算机,搭建的tensorflow+keras的卷积神经网络框架.如果有机会使用GPU算力更强劲的计算机,增加训练步骤,降低学习率,使得模型具有更高的可靠性,更符合市场需求.