[发明专利]一种基于智能视觉的工业外观检测方法

权利要求书

1.一种基于智能视觉的工业外观检测方法，其特征在于包括如下步骤：

(1)、获取M个产品外观瑕疵样本，M大于等于3000，所述样本为包含外观瑕疵的产品图像，所述包含外观瑕疵的产品图像通过摄像机拍摄固定在检测工装上的包含外观瑕疵的产品获得，包含同一个瑕疵的样本有多个，分别为多个不同角度或位置拍摄的图像；

(2)、人工对产品外观瑕疵样本中的瑕疵图像标注，确定图像中瑕疵的所属的类别；

(3)、根据产品外观瑕疵样本、步骤(2)所确定的图像中瑕疵的类别，进行深度学习网络训练，得到产品外观深度学习模型；

(3.1)、采用预设的深度学习训练模型，通过前向传播方法对样本进行计算，得到深度学习训练模型中预设的多个类别的置信度；

(3.2)、分析各类别置信度，选取最高置信度类别作为样本所包含的瑕疵所属的类别Z；

(3.3)、根据步骤(3.2)样本所包含瑕疵所属的类别Z及其实际所属类别和预设的训练参数α，采用反向传播方法调整深度学习训练模型参数，累计训练回合数s；

(3.4)、重复步骤(3.1)～步骤(3.3)，直到训练回合达到预设的a次，减小预设的训练参数，转入步骤(3.5)；

(3.5)、重复步骤(3.1)～(3.3)，直到训练回合达到预设的b次；

(4)、实时获取被测产品外观图像，采用步骤(3)所得到的产品外观深度学习模型，对该产品外观图像采取深度学习方法进行检测，识别图像中瑕疵类别，所述被测产品外观图像通过摄像机拍摄固定在检测工装上的被测产品获得，同一被测产品外观图像有多个，分别为多个不同角度或位置拍摄的图像；

(5)、多个角度和位置的产品外观图像被深度学习模型识别后，如果其中某一个或几个图像被识别出瑕疵，即可认为该产品为存在瑕疵的产品。

2.根据权利要求1所述一种基于智能视觉的工业外观检测方法，其特征在于所述检测工装至少包括3个自由度，调整检测工装的角度和位置即可获取多个角度和位置的被测产品外观图像。

3.根据权利要求1所述一种基于智能视觉的工业外观检测方法，其特征在于所述步骤(3.1)通过前向传播方法对样本进行计算，得到深度学习训练模型中预设的多个类别的置信度具体为：

对样本图像进行卷积，然后对卷积结果进行池化，最后对池化结果进行激活，得到图像的第1图像特征层；然后，对第1图像特征层进行卷积，然后对卷积结果进行池化，最后对池化结果进行激活，得到图像的第2图像特征层，依次类推，最后得到第N图像特征层，之后，根据第N图像特征层通过Softmax函数做前向计算得到深度学习训练模型中预设的多个类别的置信度，所述N大于等于6；

各层卷积的处理结果为G_i,j：当i＝1时，L_i-1表示样本图像，否则，L_i-1表示第i-1图像特征层，h_i(k,j),j＝1～m_i,为第i层卷积核，其大小为k×k的矩阵，共预设的m_i个，

各层池化的处理结果为P_i,j：表示对矩阵X进行m×n的下采样操作；

各层激活的处理结果为：L_i,j＝max(0,P_i,j),i＝1～N,j＝1～m_i，max(0,X)表示将矩阵X中的元素与0进行比较，取大值更新矩阵中的元素。

4.根据权利要求1所述一种基于智能视觉的工业外观检测方法，其特征在于所述反向传播方法调整深度学习训练模型参数的具体处理过程为：

(3.3.1)、将样本所包含瑕疵实际所属类别Y与步骤(2)得到的样本所包含瑕疵所属的类别Z进行比较，并代入代价函数f，得到损失值E：

E＝f(Y-Z)；

(3.3.2)、根据损失值E和训练参数α，更新深度学习模型参数，所述模型参数包括卷积计算中的卷积核参数h_i(k,j),j＝1～m_i,i＝1～N：

其中，表示上一个训练回合中的

5.根据权利要求1所述一种基于智能视觉的工业外观检测方法，其特征在于所述步骤(4)对被测产品外观图像采取深度学习方法进行检测，识别图像中瑕疵的位置和类别的具体过程为：对被测产品外观图像进行卷积，然后对卷积结果进行池化，最后对池化结果进行激活，得到图像的第1图像特征层；然后，对第1图像特征层进行卷积，然后对卷积结果进行池化，最后对池化结果进行激活，得到图像的第2图像特征层，依次类推，最后得到第N图像特征层,N大于等于6，采用Softmax函数做前向计算，得到深度学习训练模型中预设的多个类别的置信度，选取最高置信度类别作为被测产品外观图像所包含的瑕疵所属的类别，各层卷积处理过程采用深度学习模型中最后确定的卷积核。