[发明专利]一种基于深度学习的平板玻璃异物影像分析方法在审
| 申请号： | 201810484049.7 | 申请日： | 2018-05-19 |
| 公开（公告）号： | CN108765391A | 公开（公告）日： | 2018-11-06 |
| 发明（设计）人： | 陈招娣;洪立昕 | 申请（专利权）人： | 科立视材料科技有限公司 |
| 主分类号： | G06T7/00 | 分类号： | G06T7/00;G06K9/62;G06N3/04 |
| 代理公司： | 福州元创专利商标代理有限公司 35100 | 代理人： | 蔡学俊 |
| 地址： | 350016 福建省*** | 国省代码： | 福建;35 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 平板玻璃 影像分析 测试集 训练集 异物 学习 卷积神经网络 准确度要求 准确度 玻璃产品 玻璃异物 迭代训练 快速识别 缺陷状况 异物类型 影像处理 影像图片 构建 标注 图片 测试 返回 监控 网络 | ||
1.一种基于深度学习的平板玻璃异物影像分析方法，其特征在于：包括以下步骤：
步骤S1：对多个玻璃异物AOI影像图片进行标注；
步骤S2：将所述已处理的图片按一定比例划分为训练集图片，剩余部分归于测试集图片；
步骤S3：构建AlexNet网络；
步骤S4：把所述训练集输入到深度卷积神经网络中，进行迭代训练后得到深度学习模型；
步骤S5：把所述的测试集输入到所述深度学习模型中，测试是否满足准确度要求，如果不满足则返回步骤S3。
2.根据权利要求1所述的基于深度学习的平板玻璃异物影像分析方法，其特征在于：步骤S 1中并将标注好后的图片转换为227×227像素的图片。
3.根据权利要求1所述的基于深度学习的平板玻璃异物影像分析方法，其特征在于：步骤S2中还包括以下步骤：将原始图片进行一些变换来生成新的资料，用于扩大训练资料的形式，具体的所述变换方式有：
1） 从原始图像中随机裁剪出一些图像；
2） 水平翻转、伸缩、尺度变换；
3） 给图像增加一些随机的光照。
4.根据权利要求1所述的基于深度学习的平板玻璃异物影像分析方法，其特征在于：
所述步骤S3中构建AlexNet网络的具体过程如下：
步骤S31：首先导入tensorflow、TFlearn、numpy相关Python库；
步骤S32：准备训练数据设置预留位置；
步骤S33：使用神经网络运算搭建卷积神经网络模型；
步骤S34：设置训练参数和开启会话开始训练；
步骤S35：保存训练好的网络模型。
5.根据权利要求4所述的基于深度学习的平板玻璃异物影像分析方法，其特征在于：所述AlexNet网络共有8层，其中前5层为卷积层，后3层为全连接层，最后一个全连接层的output是softmax的多分类器；所述softmax层输出准确度。
6.根据权利要求1所述的基于深度学习的平板玻璃异物影像分析方法，其特征在于：步骤S2中按70%比例划分为训练集图片。
7.根据权利要求1所述的基于深度学习的平板玻璃异物影像分析方法，其特征在于：步骤S4中图像是以二维矩阵的形式输入到卷积神经网络中。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于科立视材料科技有限公司，未经科立视材料科技有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201810484049.7/1.html，转载请声明来源钻瓜专利网。
