[发明专利]一种深度卷积神经网络的视觉缺陷检测方法

权利要求书

1.一种基于结构解耦功能的深度卷积神经网络的视觉缺陷检测方法，该方法用于光伏电池片表面缺陷检测，其特征在于，包括下述步骤：

第一步，图像预处理：

1-1图像获取：利用红外相机采集图像，去除背景后获得近红外图片，该红外图片作为原始数据集；

1-2图像切割：在步骤1-1的基础上，利用滑动分割法将步骤1-1获得红外图片的原始数据集分割成N个小图片，所述N个小图片作为目标图像；

1-3测试样本集制作：对步骤1-2获得的N个所述目标图像进行人工分选，并添加缺陷种类标签，从中随机抽取20％的所述目标图像作为测试样本集；

1-4训练样本集、验证样本集制作：在步骤1-3的基础上，提取剩余的80％所述目标图像的红外信息图片，并将所有图片尺寸量化为统一的尺寸，从而分别得到统一尺度的训练样本集和验证样本集；

第二步，结构解耦神经网络模型搭建：

2-1结构解耦特征提取层设计：

结构解耦神经网络中第一卷积层的内核由SEF和公共参数的参数生成，然后通过连接最后一维中所有计算出的卷积核来获得完整的卷积核，通过这种方式将SEF的结构解耦功能集成到CNN中，同时保留公共卷积层的特征提取能力，所述公共卷积层内核用作结构解耦神经网络中第一卷积层的权重，称所述第一卷积层为“SD-Conv”，在所述“SD-Conv”层中，输入所述步骤1-4得到的所述统一尺度的训练样本集和验证样本集，经过所述“SD-Conv”层计算，再依次进行正则化层和最大池化层运算，得到输出结果A；

结构解耦神经网络第二层包括两个卷积层和一个最大池化层，结构解耦神经网络第一层“SD-Conv”的输出结果A作为结构解耦神经网络第二层的输入，连续经过两个卷积层和一个最大池化层，得到输出结果B；

结构解耦神经网络第三层包括两个卷积层和一个最大池化层：结构解耦神经网络第二层得到的输出结果B经过所述结构解耦神经网络第三层中的卷积层和最大池化层计算后，得到输出结果特征；

2-2分类层设计：

将步骤2-1得到的所述输出结果特征，作为本层的输入，输入人工全连接神经网络层，经过标准化计算后，输入平均正则化层，得到输出结果C，所述输出结果C通过Softmax分类器进行分类得到分类结果；

2-3分割层设计：

将步骤2-1得到的所述输出结果特征，作为本层的输入，输入到类激活映射层，得到响应裂纹热力图，所述响应裂纹热力图通过分割器进行分割得到分割结果；

完成结构解耦神经网络模型“SD-CNN”搭建；

第三步，图像特征提取及分类分割：

3-1参数初始化：

初始化所有权重值、偏置值、批量归一化尺度因子值，并将初始化的参数数据输入步骤2-3获得的所述结构解耦神经网络模型，设置网络的初始学习率；

3-2开始训练：

将步骤1-4中获取的所述训练样本集输入步骤3-1初始化参数后的结构解耦神经网络，得到红外图像的输出特征值矩阵；

3-3更新参数：

将步骤1-4中获取的验证样本集输入步骤3-2训练后的结构解耦神经网络，根据步骤3-2提取到的所述红外图像的输出特征值矩阵，将所述验证样本集图像特征载入softmax分类器中进行分类，将所述步骤2-2获得的通过Softmax分类器进行分类得到分类结果与标签信息进行对比，返回错误率error和损失函数loss到步骤3-2训练后的结构解耦神经网络，使用梯度下降算法将梯度损失传递到所述步骤2-3获取的结构解耦神经网络模型中，更新可训练参数；

3-4输出模型：重复训练步骤3-3，当损失函数loss不大于0.005时且周期数高于50时，停止训练，得到最终结构解耦神经网络模型；

3-5测试分类分割效果：将步骤1-3获取的测试样本集数据输入步骤3-4中获得的最终结构解耦神经网络，得到预测的类别与缺陷的区域；

3-6结束光伏电池裂纹缺陷检测。