[发明专利]一种基于深度学习的机器视觉技术检测方法

说明书

一种基于深度学习的机器视觉技术检测方法，本发明涉及工业检测技术领域；通过工业相机在良好工业光源下采集大量的有缺陷的产品图片作为样本；将这些样本图片通过软件进行标定，标出关心的缺陷处位置，并标出缺陷种类；利用上述标出缺陷种类的样本图片作为素材钩件深度学习网络模型，并进行深度学习网络模型的训练；将训练好的深度学习网络模型导入机器视觉系统，从而识别出现场的各种缺陷，配合工业自动化设备完成缺陷产品的分拣。避免漏检误检，还可学习新的样本不断提高准确度，适应性和稳定性好，实现专家系统来满足各种复杂场景的工业检测需求。

技术领域

本发明涉及工业检测技术领域，具体涉及一种基于深度学习的机器视觉技术检测方法。

背景技术

深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习是机器学习中一种基于对数据进行表征学习的方法，其是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。观测值(例如一幅图像)可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如，人脸识别或面部表情识别)。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。

深度学习相对于传统的机器学习方法有两大主要优势：

1、效果优越：经过深度学习训练的模型在各类人工智能领域(计算机视觉，语音识别，自然语言处理等)的效果比原先的机器学习方法提升明显。典型例子就是ImageNet[31]2012年的竞赛，基于深度学习的方法不仅获得了第一名的成绩，更是将错误率下降了接近一半；

2、使用方便：传统的机器学习方法对模型的特征依赖较大，而这些特征往往需要由专业的人员不断的调试才能获得较好的结果；深度学习是一种特征学习方法，不需要人工编写特征，它可以自动的从原始数据(图像，音频，文本)中学习特征，而这些特征接下来又可以输入分类器中去进行预测。因此，使用深度学习方法，可以明显的降低机器学习在这些领域中应用的门槛。

深度学习的劣势是训练量大，往往需要比传统方法多得多训练时间。但这个问题随着并行化算法的优化和图形加速卡(GPU)及FPGA的普及而得以解决，训练时间不再是制约使用的瓶颈，因此更进一步地提升了深度学习使用的普适性。由于深度学习相比传统机器学习的这些显著不同，因此也把传统的机器学习方法称为“浅层学习”(ShallowLearning)，这其中包括SVM、boosting、KNN等。

目前在工业检测方面普遍采用的还是传统的机器学习方法，具有如下缺点和局限性：

1、需要人工提取特征，无法完整的表达不同类别的区分，对于缺陷种类众多，差异不明显的情况，分类准确率低，容易误检和漏检；

2、受光线，材质，背景噪声等工况的影响较大，适应性和稳定性差；

3、需要先检测到缺陷处，再进行分类，无法同时进行，效率低；

4、无法对缺陷和品质等问题进行准确的打分和评级。

发明内容

本发明的目的在于针对现有技术的缺陷和不足，提供一种结构简单，设计合理、使用方便的基于深度学习的机器视觉技术检测方法，避免漏检误检，还可学习新的样本不断提高准确度，适应性和稳定性好，实现专家系统来满足各种复杂场景的工业检测需求。

为实现上述目的，本发明采用的技术方案是：它的操作步骤如下：

1、通过工业相机在良好工业光源下采集大量的有缺陷的产品图片作为样本，如孔洞、磨损、毛刺，凹陷等问题；