[发明专利]一种基于CNN和LR的汽车钣金件裂纹检测系统

权利要求书

1.一种基于CNN和LR的汽车钣金件裂纹检测系统，其特征在于，具体检测流程如下：

1）人工标注正负样本；

2）采用模型进行训练：首先采用CNN将图像映射为固定维度的一维向量，以向量为特征，采用LR训练模型参数；

3）对新的产品图像进行预测，确定是否合格。

2.根据权利要求1所述的一种基于CNN和LR的汽车钣金件裂纹检测系统，其特征在于，CNN将输入图像映射为固定维度向量的流程如下：

输入层由32×32个感知节点组成，接收原始图像，然后，计算流程在卷积和子抽样之间交替进行，如下所述：

第一隐藏层进行卷积，它由6个特征映射组成，每个特征映射由28×28个神经元组成，每个神经元指定一个 5×5 的接受域；

第二隐藏层实现子抽样和局部平均，它同样由 6 个特征映射组成，但其每个特征映射由14×14 个神经元组成，每个神经元具有一个 2×2 的接受域，一个可训练系数，一个可训练偏置和一个 sigmoid 激活函数，可训练系数和偏置控制神经元的操作点；

第三隐藏层进行第二次卷积，它由 16个特征映射组成，每个特征映射由 10×10 个神经元组成，该隐藏层中的每个神经元可能具有和下一个隐藏层几个特征映射相连的突触连接，它以与第一个卷积层相似的方式操作；

第四个隐藏层进行第二次子抽样和局部平均计算，它由 16 个特征映射组成，但每个特征映射由 5×5 个神经元组成，它以与第一次抽样相似的方式操作；

第五个隐藏层实现卷积的最后阶段，它由 120 个神经元组成，每个神经元指定一个 5×5 的接受域；

最后是个全连接层，得到输出向量。

3.根据权利要求2所述的一种基于CNN和LR的汽车钣金件裂纹检测系统，其特征在于，最终的输出向量采用LR进行预测，判断其label：

其中，卷积层，用来学习输入数据的特征表征，卷积层由很多的卷积核（convolutionalkernel）组成，卷积核用来计算不同的feature map；

激励函数（activation function）给CNN卷积神经网络引入了非线性，常用的有sigmoid 、tanh、 ReLU函数；

池化层降低卷积层输出的特征向量，同时改善结果（使结构不容易出现过拟合），典型应用有average pooling 和 max pooling；

全连接层将卷积层和Pooling 层堆叠起来以后，就能够形成一层或多层全连接层，这样就能够实现高阶的推力能力。