[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

说明书

本发明公开了一种基于卷积神经网络的铜箔基板缺陷检测方法，包括以下步骤：数据集收集与标记；对数据集的图像进行数据扩展；构造一个快速准确的卷积神经网络模型；将数据集样本图片输入到上述卷积神经网络模型中进行迭代训练，获得最佳检测模型；将待检测铜箔基板图像输入到上述检测模型中进行图像类别的识别并实现在线的自动检测。上述方法通过将数据集样本输入构建的卷积神经网络模型迭代训练，从而获得深度学习检测模型，对铜箔基板缺陷产品实现在线检测，克服人工设计缺陷特征的缺点，提高了生产效率，从而快速准确进行分类检测，具有很强的适应性和鲁棒性，保证了铜箔基板产品的品质。

技术领域

本发明涉及一种铜箔基板缺陷检测方法，尤其涉及一种基于卷积神经网络的铜箔基板缺陷检测方法。

背景技术

有资料显示，铜箔基板缺陷的快速准确检测是工业生产中的一个重要研究内容。铜箔基板在生产制造过程中，存在的外观缺陷很难避免，这对铜箔基板的性能和品质造成了极大的负面影响，为避免缺陷造成的影响，目前通常采用手动设计特征的检测方法，包括几何特征、颜色特征、纹理特征等。这种检测方法存在局限性并且执行过程费时费力，精度和速度都难以达到要求。

发明内容

本发明主要解决原有的手动设计特征检测费时费力的技术问题，提供一种基于卷积神经网络的铜箔基板缺陷检测方法，通过将数据集样本输入构建的卷积神经网络模型迭代训练，从而获得深度学习检测模型，对铜箔基板缺陷产品实现在线检测，克服人工设计缺陷特征的缺点，提高了生产效率，从而快速准确进行分类检测，具有很强的适应性和鲁棒性，保证了铜箔基板产品的品质。

本发明的上述技术问题主要是通过下述技术方案得以解决的：本发明包括以下步骤：

(1)数据集收集与标记；收集若干类铜箔基板缺陷样本图像并进行分类和标记，同时收集一类正常样本进行标记，将收集的上述样本图像作为数据集。

(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；输入图像大小为96×96×1。

(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；以获得最佳模型。

(5)将待检测铜箔基板图像输入到上述检测模型中进行图像类别的识别并实现在线的自动检测。对铜箔基板缺陷产品实现在线的自动检测，从而提高产品品质。

作为优选，所述的步骤(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。

作为优选，所述的步骤(3)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。softmax分类层用于计算输出属于每一类的概率。

作为优选，所述的步骤(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。

作为优选，所述的步骤(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。