[发明专利]一种应用于机箱表面划痕检测的深度卷积神经网络方法

权利要求书

1.本发明所设计的深度卷积神经网络方法，其特征是：对机箱表面图像进行划痕检测，步骤如下：

步骤1：选取含有机箱表面划痕图像的数据集，所述的机箱表面划痕图像数据集包含输入图像X张，标签图像X张，测试图像Y张，将所述的数据集的图像大小统一设置为3通道像素值为512×512的图像；

步骤2：深度卷积神经网络模型的第一层输入层参数I₁＝m₁×m₁×n₁，设置m₁＝512，n₁＝3；

步骤3：步骤2中所述的深度卷积神经网络模型的第二层卷积层参数C₁＝m₂×m₂×n₂，设置m₂＝3，n₂＝16，所述的深度卷积神经网络模型第二层卷积层的输出为C_out1；

步骤4：步骤2中所述的深度卷积神经网络模型的第三层池化层参数P₁＝m₃×m₃×n₃，设置m₃＝2，n₃＝1；

步骤5：步骤2中所述的深度卷积神经网络模型的第四层卷积层参数C₂＝m₄×m₄×n₄，设置m₄＝3，n₄＝32，所述的深度卷积神经网络模型第四层卷积层的输出为C_out2；

步骤6：步骤2中所述的深度卷积神经网络模型的第五层池化层参数P₂＝m₅×m₅×n₅，设置m₅＝2，n₅＝1；

步骤7：步骤2中所述的深度卷积神经网络模型的第六层卷积层参数C₃＝m₆×m₆×n₆，设置m₆＝3，n₆＝64，所述的深度卷积神经网络模型第六层卷积层的输出为C_out3；

步骤8：步骤2中所述的深度卷积神经网络模型的第七层池化层参数P₃＝m₇×m₇×n₇，设置m₇＝2，n₇＝1；

步骤9：步骤2中所述的深度卷积神经网络模型的第八层卷积层参数C₄＝m₈×m₈×n₈，设置m₈＝3，n₈＝128，所述的深度卷积神经网络模型第八层卷积层的输出为C_out4；

步骤10：步骤2中所述的深度卷积神经网络模型的第九层池化层参数P₄＝m₉×m₉×n₉，设置m₉＝2，n₉＝1；

步骤11：步骤2中所述的深度卷积神经网络模型第十层卷积层参数C₅＝m₁₀×m₁₀×n₁₀，设置m₁₀＝3，n₁₀＝256，所述的深度卷积神经网络模型第十层卷积层的输出为C_out5；

步骤12：步骤2中所述的深度卷积神经网络模型的第十一层反卷积层参数D₁＝m_d11×m_d11×n_d11，设置m_d11＝3，n_d11＝128，所述的深度卷积神经网络模型第十一层反卷积层的输出为D_out1，将步骤9中所述的深度卷积神经网络模型第八层卷积层的输出C_out4与所述的深度卷积神经网络模型第十一层反卷积层的输出D_out1进行叠加获得深度卷积神经网络模型第十一层的复合层R₁；

步骤13：步骤2中所述的深度卷积神经网络模型的第十二层卷积层参数C₆＝m₁₂×m₁₂×n₁₂，设置m₁₂＝3，n₁₂＝128；

步骤14：步骤2中所述的深度卷积神经网络模型的第十三层反卷积层参数D₂＝m_d13×m_d13×n_d13，设置m_d13＝3，n_d13＝64，所述的深度卷积神经网络模型第十三层反卷积层的输出为D_out2，将步骤7中所述的深度卷积神经网络模型第六层卷积层的输出C_out3与上述的深度卷积神经网络模型第十三层反卷积层的输出D_out2进行叠加获得深度卷积神经网络模型第十一层的复合层R₂；

步骤15：步骤2中所述的深度卷积神经网络模型的第十四层卷积层参数C₇＝m₁₄×m₁₄×n₁₄，设置m₁₄＝3，n₁₄＝64；

步骤16：步骤2中所述的深度卷积神经网络模型的第十五层反卷积层参数D₃＝m_d15×m_d15×n_d15，设置m_d15＝3，n_d15＝32，所述的深度卷积神经网络模型第十五层反卷积层的输出为D_out3，将步骤5中所述的深度卷积神经网络模型第四层卷积层的输出C_out2与上述的深度卷积神经网络模型第十五层的反卷积层的输出D_out3进行叠加获得深度卷积神经网络模型第十五层的复合层R₃；

步骤17：步骤2中所述的深度卷积神经网络模型的第十六层卷积层参数C₈＝m₁₆×m₁₆×n₁₆，设置m₁₆＝3，n₁₆＝32；

步骤18：步骤2中所述的深度卷积神经网络模型的第十七层反卷积层参数D₄＝m_d17×m_d17×n_d17，设置m_d17＝3，n_d17＝16，所述的深度卷积神经网络模型第十七层反卷积层的输出为D_out4，将步骤3中所述的深度卷积神经网络模型的第二层卷积层输出C_out1与上述的深度卷积神经网络模型的第十七层的反卷积层输出D_out4进行叠加获得深度卷积神经网络模型的第十七层的复合层R₄；

步骤19：步骤2中所述的深度卷积神经网络模型的第十八层卷积层参数C₉＝m₁₈×m₁₈×n₁₈，设置m₁₈＝3，n₁₈＝16；

步骤20：步骤2中所述的深度卷积神经网络模型的第十九层卷积层参数C₁₀＝m₁₉×m₁₉×n₁₉，设置m₁₉＝1，n₁₉＝1，所述的深度卷积神经网络模型的第十九层卷积层输出为OUT＝512×512×1；

步骤21：将步骤1中的X张输入图像与X张标签图像导入步骤2至步骤20设置好的深度卷积神经网络模型进行训练；

步骤22：将步骤1中的Y张测试图像导入步骤21中训练好的深度卷积神经网络模型进行测试；

步骤23：启动采集图像的彩色摄像机，对机箱表面图像进行采集；

步骤24：对步骤23中所述的机箱表面图像进行切割，设置切割尺寸为512×512；

步骤25：将步骤24中切割好的机箱表面图像输入到步骤22中测试完成的深度卷积神经网络模型进行图像处理；

步骤26：将步骤25中深度卷积神经网络模型的输出图像进行拼接；

步骤27：对步骤26中拼接后的图像进行轮廓查询，通过最小外矩形将查询到的轮廓进行标注；

步骤28：将步骤27中最小外矩形的参数返回到步骤23中所述的机箱表面图像对划痕进行标识，完成机箱表面划痕检测。