基于B/S架构的图像处理深度学习平台设计

为了解决企业进行图像处理相关深度学习工程遇到的开发难度大、效率低的问题,文中设计一种基于B/S(Browser/Server)架构的深度学习平台。系统设计包括深度学习算法、数据管理和用户系统设计等,深度学习平台采用前后端分离的开发模式,基于Python语言和Django框架,Vue前端框架和MySQL数据库进行开发,集成基于Pytorch框架实现的深度学习算法。深度学习平台可实现由浏览器端发起,从获取图片数据到训练、发布模型的全流程定制开发和应用,并在开发流程中为用户提供操作指引和参数建议,使操作人员无需深度学习算法基础也可以轻松使用。将平台部署在企业服务器,经过实际应用表明,使用基于B/S架构的深度学习平台进行开发,相对传统的开发方式,能有效降低企业相关人员进行图像处理深度学习工程开发的难度,提高开发效率。

基于Retinanet的轮毂焊缝检测定位方法

提出一种基于深度学习方法的轮毂焊缝实时检测定位方法,设计轮毂焊缝视觉检测硬件平台,阐述多规格轮毂焊缝的检测定位原理,细述基于卷积神经网络的目标检测算法Retinanet以及基于Transformer架构的目标检测算法CoTNet的原理,优化Cot结构,提出CoTx结构,从而实现便捷替换卷积神经网络中通用的卷积层。在Pytorch框架下,简化Retinanet网络,通过CoTx结构和Retinanet网络的融合对比实验来优化Retinanet网络在轮毂焊缝数据集上的检测性能。实验结果表明,用CoTx结构替换Retinanet最后的几个特征提取层,可以得到更好的检测效果。在生产现场,进行为期30天的轮毂焊缝在线实时检测,平均检测精度为99.71%,单张检测时间为7 ms,达到企业生产的要求。

基于改进GoogLeNet的玻璃安瓿瓶微孔检测

在玻璃安瓿瓶包装完整性检测领域,常用高压放电法对微米级漏孔缺陷进行检测,针对现有方法存在的难以找到合适滤波方式、判别阈值依赖人工设计、检测准确率较低的问题,提出一种基于改进的GoogLeNet的微孔检测方法.对于原始放电电流数据,利用小波变换(WT),以广义Morse小波函数(GMW)为基小波,将一维的电流时间序列转换为二维的时频索引图以呈现数据完整的细节信息.在GoogLeNet原型基础上引入Relu激活函数以减少过拟合,将输入端卷积缩减至1层,然后进行了三种不同层次的Inception模块裁剪,对比分析发现只用前6个Inception模块并调高Inception(4d)的大尺寸卷积核占比时,模型能在参数量更少的情况下同样达到很好的微孔判别效果.在生产现场工控机中用训练好的模型替换原有算法,进行1000个正负样本的验证测试,结果表明该算法的准确率达到99.15%,阳性样品漏检率仅0.8%,优于现有方法的96.45%准确率和5.3%漏检率,具有较好实用价值.

基于卷积自编码器的医用玻璃瓶口缺陷检测方法

为解决缺陷检测中缺陷样本数量少、种类多、难以提供足够的数据来进行有监督深度学习模型训练的问题,本文利用工业生产中大量易获取没有缺陷的正样本数据,建立Encoder-Decoder结构的卷积自编码网络缺陷检测模型,将空间和通道注意力的卷积注意力模块嵌入编码器中增强网络特征提取能力。在编码阶段加入上下文信息模块,获得更大的感受野,减小计算量。同时,结合多尺度结构相似性MS-SSIM和L1损失来改善图像重构效果,使用峰值信噪比PSNR衡量重构误差并判别异常。实验结果表明,提出的医用玻璃瓶口缺陷检测方法能够准确检出缺陷数据和分割缺陷区域,精确度为99.45%、召回率为97.63%、漏检率为0.55%、误检率为2.93%。该方法能够准确检出玻璃瓶口缺陷,定位缺陷区域,同时图像重构耗时短,仅需10.37 ms左右,能够实现准确、高效的自动化产品质量检测。