[发明专利]一种基于深度学习的磁瓦表面缺陷检测方法

权利要求书

1.一种基于深度学习的磁瓦表面缺陷检测方法，其特征在于，包括如下步骤：

S1.扩大训练样本数据集及检测样本数据集：对训练样本数据集及检测样本数据集中的每一幅原始磁瓦表面缺陷图像进行数据增强变换处理，以得到扩大的训练样本数据集及检测样本数据集；

S2.建立并训练深度学习模型：以卷积神经网络为基础建立包含卷积层和全连接层的深度学习模型，其中卷积层包括九个单元，且每个单元均依次由图像卷积层、批归一化层、非线性变换层、图像卷积层、正则化层及特征合并层构成，全连接层依次由批归一化层、非线性变换层、全局平均池化层及缺陷分类层构成；用扩大的训练样本数据集离线训练已建立的深度学习模型，学习最优参数，以建立训练样本数据集中的磁瓦表面缺陷图像与缺陷类别的关系，得到训练好的深度学习模型；

S3.识别缺陷：在线检测时将扩大的检测样本数据集输入到已训练好的深度学习模型中，完成缺陷的自动分类识别；

在步骤S2中训练深度学习模型时，图像卷积层使用的卷积核为批归一化层使用的批大小为64，非线性变换层使用ReLU非线性处理，正则化层使用Dropout正则化处理，特征合并层将输入图像卷积层中的图像与经过正则化层处理后的图像合并在一起；扩大的训练样本数据集在卷积层中依次经过九个单元的处理后即可得到高维磁瓦表面缺陷的特征表示，再经过全连接层中全局平均池化层的处理后即可得到一维样本特征向量，最后对该一维样本特征向量进行训练学习以得到训练好的深度学习模型。

2.根据权利要求1所述的一种基于深度学习的磁瓦表面缺陷检测方法，其特征在于，步骤S1中的训练样本数据集及检测样本数据集中均包括四类缺陷的原始磁瓦表面缺陷图像，分别为裂纹、崩烂、起级及其他类缺陷。

3.根据权利要求2所述的一种基于深度学习的磁瓦表面缺陷检测方法，其特征在于，步骤S1中的训练样本数据集及检测样本数据集中的每一幅原始磁瓦表面缺陷图像均是在同一工位独立采样获取的。

4.根据权利要求1所述的一种基于深度学习的磁瓦表面缺陷检测方法，其特征在于，步骤S1中的数据增强变换处理包括翻转、旋转、平移、缩放及加噪声变换处理；其中，旋转、平移、缩放及加噪声变换处理均为两个尺度，且加噪声变换处理为高斯噪声变换处理。