[发明专利]一种基于卷积神经网络的铜箔基板缺陷检测方法有效
| 申请号： | 201911095396.1 | 申请日： | 2019-11-11 |
| 公开（公告）号： | CN111415325B | 公开（公告）日： | 2023-04-25 |
| 发明（设计）人： | 陈杰;郑小青;孔亚广;郑松;王洪成 | 申请（专利权）人： | 杭州电子科技大学 |
| 主分类号： | G06T7/00 | 分类号： | G06T7/00;G06N3/0464;G06N3/047;G06N3/08 |
| 代理公司： | 杭州杭诚专利事务所有限公司 33109 | 代理人： | 尉伟敏 |
| 地址： | 310018 浙*** | 国省代码： | 浙江;33 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 一种 基于 卷积 神经网络 铜箔 缺陷 检测 方法 | ||
1.一种基于卷积神经网络的铜箔基板缺陷检测方法，其特征在于，包括以下步骤：
(1)数据集收集与标记；
(2)对数据集的样本图像进行数据扩展；
(3)构建卷积神经网络模型，卷积神经网络模型包括十四层，第一层为卷积层；第二层为重叠的最大池化层；第三层、第四层、第五层和第七层为并联结构的卷积模块DepthwiseFire深度可分离模块；第六层和第八层为最大池化层；第九层、第十层、第十一层和第十二层为卷积模块DepthwiseResidual深度可分离残差模块；第十三层为平均池化层，第十四层为softmax分类层；
卷积神经网络模型的第九层、第十层、第十一层和第十二层为卷积模块DepthwiseResidual深度可分离残差模块，其中第九层和第十层由两个上级卷积层加下级卷积层构成；上级卷积层是256个感受野大小为3×3的深度可分离卷积核，步长为1；下级卷积层是256个感受野大小为1×1的卷积核，步长为1，输出为256个通道，尺寸为6×6的特征图；其中第十一层和第十二层由两个上级卷积层加下级卷积层构成；上级卷积层是512个感受野大小为3×3的深度可分离卷积核，步长为1；下级卷积层是512个感受野大小为1×1的卷积核，步长为1，输出为512个通道，尺寸为6×6的特征图；
(4)将样本图像输入到上述卷积神经网络模型中进行迭代训练；
(5)将待检测铜箔基板图像输入到上述模型中进行图像类别的识别并实现在线的自动检测。
2.根据权利要求1所述的一种基于卷积神经网络的铜箔基板缺陷检测方法，其特征在于，所述步骤(2)通过将数据集中所有样本图像按翻转、降噪的方式扩展样本数量，按9:1的比例划分出训练集和验证集。
3.根据权利要求1所述的一种基于卷积神经网络的铜箔基板缺陷检测方法，其特征在于，所述步骤(3)卷积神经网络模型的第一层为卷积层，包括32个感受野大小为3×3的卷积核，步长为2，输出为32通道、尺寸为48×48的特征图。
4.根据权利要求1所述的一种基于卷积神经网络的铜箔基板缺陷检测方法，其特征在于，所述步骤(3)卷积神经网络模型的第二层为重叠的最大池化层，是感受野大小为3×3的卷积核，步长为2，输出为32通道，尺寸为24×24的特征图。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于杭州电子科技大学，未经杭州电子科技大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201911095396.1/1.html，转载请声明来源钻瓜专利网。
- 上一篇：一种石斛中酚类物质的提取与富集方法
- 下一篇：一种导电单丝材料及其制备方法
