[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

说明书

本发明公开了一种基于深度学习算法的缺陷检测识别装置，涉及缺陷检测识别领域，包括检测台，检测系统，模型推理系统，所述检测系统和所述检测台相连接，所述模型推理系统运行于所述检测系统。本发明在真实加工缺陷数据样本不足的情况下训练出有效的神经网络模型对待检测加工缺陷图像进行检测识别，利用深度学习算法降低了漏检率，实现了待检测装饰板材的全自动检测，降低了人工工作量。

技术领域

本发明涉及深度学习技术领域，尤其涉及一种基于深度学习算法的缺陷检测识别装置和方法。

背景技术

装饰板材作为室内装修的重要材料，被大量应用于各类室内场所，如体育馆，宾馆，住宅楼等。在装饰板材的生产制作过程中，质量检测是关键的一环，在实际的生产中，生产企业通常雇佣数名技术熟练且经验丰富的检验员在生产线上对装饰板材表面加工缺陷进行检测。然而装饰板材生产数量巨大，且其加工缺陷类型繁多，如：划痕、污点、斑块、磨损、碎屑等，因而造成了人工检测效率低下，且容易因为检验员的疲劳而漏检，其时间和经济成本很高。采用自动化检测装置及方法对装饰板材加工缺陷进行检测是行之有效的提高效率，降低成本及漏检率的方法。

早期的自动化检测方法倾向于根据缺陷的类型提取特定的手工图像特征，采用数字图像处理方法如阈值分割、椭圆Gabor滤波器、RGB直方图等选择特定的图像特征。目前暂未有关于对装饰板材加工缺陷检测识别方法的相关专利，在其他表面检测方法中，如专利“基于机器视觉的玻璃表面缺陷检测装置及方法”[CN106248686A]提出采用CCD相机对玻璃图像进行采集，在采用数字图像处理方法，如图像标定，二值化，去噪声，边缘检测等方法对缺陷进行识别。数字图像处理方法的识别率对于各种因素，如光照、对比度等影响因素十分敏感，且其过于依赖提取的特定图像特征，无法应对复杂背景，多种缺陷的识别任务，不具备通用性。

近年来，借助机器学习领域深度学习研究的发展，识别技术得到了突飞猛进的发展。将深度学习方法引入装饰板材加工缺陷图像的检测识别，可以极大的提高识别的准确性，降低漏检率，提高鲁棒性。深度学习的实质是通过构建具有多隐层的机器学习模型和海量的训练数据，对特征进行学习，从而最终提升分类或预测的准确性和通用性。然而训练一个有效的深度学习模型，首先需要百万级的代标注数据，海量的显卡资源，以及漫长的训练时间，而装饰板材加工缺陷的图像样本数量十分有限，难以之间用来训练深度学习模型。

因此，本领域的技术人员致力于开发一种基于深度学习算法的缺陷检测识别装置和方法。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是针对用于检测识别加工装饰板材的深度学习模型训练困难的问题，提供一种基于深度学习算法的复杂纹理的装饰板材加工缺陷检测识别方法并提高检测方法的鲁棒性，降低漏检率，以此为基础搭建一套自动化检测识别装置，使得检测过程更智能。

为实现上述目的，本发明提供了一种基于深度学习算法的缺陷检测识别装置和方法。

一种基于深度学习算法的缺陷检测识别装置，包括检测台，检测系统，模型推理系统，所述检测系统和所述检测台相连接，所述模型推理系统运行于所述检测系统。

进一步地，所述检测台包括固定在地面的工作台、安装在工作台上运输板材的传送带机构、安装在工作台上的相机安装支架，所述传送带机构由两个同步轮、同步带和驱动电机组成，所述两个同步轮分别为主动同步轮和从动同步轮，分别支撑在所述工作台两端，所述主动同步轮与所述驱动电机相连接，所述主动同步轮和所述从动同步轮带动所述同步带，所述驱动电机驱动所述主动同步轮。