一种基于卷积神经网络的图像缺陷检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113763364A(43)申请公布日2021.12.07(21)申请号202111056024.5G06N3/08(2006.01)(22)申请日2021.09.09(71)申请人深圳市涌固精密治具有限公司地址518900广东省深圳市龙华区大浪街道浪口社区华明路仪佳扬工业园1栋1层2栋1层、2、4层,浪口工业路20号宝柯工业园6号楼1层2、3、4层(72)发明人杨利军邓新(74)专利代理机构北京睿智保诚专利代理事务所(普通合伙)11732代理人孙盟盟(51)Int.Cl.G06T7/00(2017.01)G06K9/62(2006.01)G06N3/04(2006.01)权利要求书4页说明书12页附图6页(54)发明名称一种基于卷积神经网络的图像缺陷检测方法(57)摘要本发明公开了一种基于卷积神经网络的图像缺陷检测方法，目标检测技术领域，包括训练阶段和测试阶段；训练阶段：选取Q幅原始的缺陷检测图像及每幅原始的缺陷检测图像对应的真实检测分类图像构成训练集；构建卷积神经网络检测模型；将训练集中的每幅原始的RGB彩色图像进行数据增强，输入到卷积神经网络中进行训练，得到训练集中的每幅原始的缺陷图像对应的缺陷图像的检测结果；测试阶段：取多幅原始的缺陷图像以及相应的真实检测图像作为测试集；将检测的缺陷图像输入到卷积神经网络检测模型中，得到待检测图像对应的边框回归坐标、目标分类结果和置信度大小。本发明能够比较准确地描述缺陷存在的位置，从而有效地提高了缺陷检测的精确度。CN113763364ACN113763364A权利要求书1/4页1.一种基于卷积神经网络的图像缺陷检测方法，其特征在于，包括：训练阶段和测试阶段两个过程；所述的训练阶段过程的步骤为：步骤S11：选取Q幅原始的缺陷检测图像及每幅原始的缺陷检测图像对应的真实检测分类图像，并构成训练集；步骤S12：构建卷积神经网络检测模型；步骤S13：将训练集中的每幅原始的RGB彩色图像进行数据增强之后作为初始输入图像，输入到卷积神经网络中进行训练，得到训练集中的每幅原始的缺陷图像对应的缺陷图像的检测结果；步骤S14：计算训练集中的每幅原始的缺陷图像对应的边框回归坐标、目标分类结果和置信度大小构成的集合与对应的真实边框回归坐标、目标分类结果和置信度大小构成的集合之间的损失函数值；所述的测试阶段过程的步骤为：步骤S21：取多幅原始的缺陷图像以及相应的真实检测图像作为测试集；步骤S22：将检测的缺陷图像的R通道分量、G通道分量和B通道分量输入到卷积神经网络检测模型中，并利用已经训练好的网络权重进行预测，得到待检测图像对应的边框回归坐标、目标分类结果和置信度大小。2.根据权利要求1所述的一种基于卷积神经网络的图像缺陷检测方法，其特征在于，卷积神经网络检测模型包括特征提取层，编码层和解码层和检测层四个部分；特征提取层包含6个模块，分别定义为头部卷积模块，第1个提取模块，第2个提取模块，第3个提取模块，第4个提取模块，第5个提取模块；对于编码层，包含2个模块，分别定义为基础编码模块和编码模块；解码层包含2个模块，分别定义为分类子网络模块和边界框子网络模块；检测层包含1个检测模块。3.根据权利要求2所述的一种基于卷积神经网络的图像缺陷检测方法，其特征在于，头部卷积模块，由依次设置的第一卷积层，第一批量归一化层，第一激活层组成；其中第一卷积层采用卷积核大小为3，步长为1，边缘填充为1，卷积核个数为32；第一卷积层的输入端接收原始输入图像的RGB三通道分量，要求输入端接收的原始输入图像的宽度为W、高度为H；经过第一批量归一化层的归一化操作之后再经过第一激活层输出32幅输出特征图；将32副特征图构成的集合记为N1，其中每幅特征图的宽度为W、高度为H。4.根据权利要求3所述的一种基于卷积神经网络的图像缺陷检测方法，其特征在于，第1个提取模块，依次由基础模块，部分转换模块一，阶段模块，部分转换模块二，融合转换模块组成；基础模块依次由卷积层，归一化层和激活层组成，卷积层，卷积核大小为3×3，步长为2，填充系数为1，卷积核个数为64；部分转换模块一，依次由卷积层，卷积核为1，步长为1，卷积核个数为64，归一化层和激活层组成；阶段模块，则由1个残差模块组成，残差模块的主分支依次由下采样层，第一卷积层，卷积核为1，步长为1，第一归一化层，第一激活层，第二卷积层，卷积核为3，步长为1，填充系数为1，第二归一化层和第二激活层组成；部分转换模块二，依次由卷积层，卷积核为1，步长为1，归一化层和激活层组成；融合转换模块，依次由卷积层，卷积核大小为1，步长为1，归一化层，激活层组成；第2个提取模块，依次由基础模块，部分转换模块一，阶段模块，部分转换模块二，融