[发明专利]一种基于深度学习算法的缺陷检测识别装置和方法

权利要求书

1.一种基于深度学习算法的缺陷检测识别方法，其特征在于，包括以下步骤：

S101，采集真实的装饰板材加工缺陷图像样本与实际的装饰板材纹理图像样本；

S102，利用基于图像处理的数据增强技术大批量生成带有加工缺陷的装饰板材图像样本；

S103，对所述加工缺陷图像样本与利用所述数据增强技术生成的加工缺陷图像样本进行人工标注，所述人工标注的类别为：斑块、污点、划痕、碎屑、磨损；

S104，利用迁移学习的方法，对所述人工标注的数据进行深度学习算法的分类训练，生成两个不同的CNN模型；

S105，实时获取传送带机构上装饰板材图像，在上位计算机内，利用所述两个不同的CNN模型分别检索识别图像的缺陷类别；

S106，利用多模型集成的方法，分析出装饰板材是否存在加工缺陷；

所述步骤102中的所述数据增强技术包括，利用图像处理技术，将加工缺陷的图像人为添加在所述实际的装饰板材纹理图像样本上，生成与所述真实的装饰板材加工缺陷相似的缺陷图像样本，以获取足够的卷积神经网络训练样本；

所述步骤104中的所述两个不同的CNN模型为Inception和MobileNet；

所述步骤104中的所述迁移学习的方法包括：使用所述Inception和MobileNet，保留卷积层和池化层用于特征提取，只重新构建其最后一层全连接层进行分类；使用所述人工标注的数据分别对全连接层进行训练，得到两个可对所述人工标注的类别进行识别分类的卷积神经网络模型。

2.如权利要求1所述的基于深度学习算法的缺陷检测识别方法，其特征在于，所述步骤105中的所述多模型集成的方法包括：

在模块推理系统，在所述上位计算机收集到待检测图像后，将所述待检测图像分别输入所述Inception和所述MobileNet；

若所述Inception或所述MobileNet检测到加工缺陷，返回“True”；

若所述Inception或所述MobileNet未检测到加工缺陷，返回“False”；

当所述Inception和所述MobileNet均返回“False”时，所述模块推理系统才返回“False”，表示待测装饰板材没有加工缺陷；

当所述Inception和所述MobileNet之一或者全部返回“True”时，所述模块推理系统返回“True”，表示待测装饰板材存在加工缺陷。