[发明专利]USB表面缺陷检测的神经网络检测方法

说明书

本发明公开了一种USB表面缺陷检测的神经网络检测方法，包括SqueezeNet神经网络，根据拍摄的USB图片制作数据集，使用数据集对SqueezeNet网络进行训练。本发明缩小了ROI区域，SqueezeNet网络的识别准确度和速度。

技术领域

本发明涉及一种神经网络检测方法。

背景技术

背景技术的内容只是为了帮助理解技术内容，并非现有技术。SqueezeNet由伯克利斯坦福的研究人员合作发表于ICLR-2017，采用不同于传统的卷积方式，提出firemodule；fire module包含两部分：squeeze层+expand层，Expand层分别用1*1和3*3卷积，然后concat，这个操作在inception系列里面也有。SqueezeNet的核心在于Fire module，Firemodule由两层构成，分别是squeeze层+expand层，如下图1所示，squeeze层是一个1*1卷积核的卷积层，expand层是1*1和3*3卷积核的卷积层，expand层中，把1*1和3*3得到的feature map进行concat。Fire module输入的feature map为H*W*M的，输出的feature map为H*M*(e1+e3)，可以看到feature map的分辨率是不变的，变的仅是维数，也就是通道数，这一点和VGG的思想一致。

在对ROI图片进行SqueezeNet网络的训练过程中，由于ROI图片较大，造成SqueezeNet网络在训练过程中识别准确度较低，识别速度慢，因此，如何缩小ROI图片区域，提高SqueezeNet网络识别准确度和速度是急需解决的问题。

发明内容

本发明的目的在于提供一种基于切片后ROI图片来缩小ROI区域，用来对SqueezeNet网络训练的方法。

本发明采用以下技术方案实现：

USB表面缺陷检测的神经网络检测方法，其特征在于：根据拍摄的USB图片制作数据集，

使用数据集对SqueezeNet网络进行训练。

首先，利用硬件装置拍摄出原始图片。

然后执行软件程序裁剪出ROI区域(1000X800)。

将裁剪出ROI区域的图片按照7:3的比例分成train(训练)和test(测试)两个数据集。

对训练集和测试集，按照类型，执行软件程序分别裁剪出切片数据(200X200)，因为裁剪出的切片数据有大量是不含有缺陷的，因此需要对裁剪出的切片数据进行挑选和整理。

准备好切片数据集后，我们需要将切片数据集进行重命名并将其所在路径与标签保存在两个文本文件中，然后生成caffe深度学习框架可以读取的LMDB格式。然后我们在caffe深度学习框架内，基于SqueezeNet网络对切片训练数据进行特征学习，模型会通过小化标签值与预测值之间的loss来更新权重和偏置参数，设置迭代次数为10000，以得到相对最优的模型。在这里需要说明的是，标签值指的是切片数据的真实分类属性，其用来表征数据的类型，预测值是SqueezeNet网络通过学习切片的特征而给出的预测分类属性，网络会通过不断减小标签值和预测值之间的误差来优化模型参数。

优选的，根据拍摄的USB图片制作数据集的方法为：

1)拍摄USB原始图片；

2)执行软件程序对图片裁剪出ROI区域，按照7：3的比例将裁剪后的图片分为训练集和测试集，并对训练集和测试集按照斑点、变形、划伤、亮线、压印、脏污、正常标签进行分类；

3)执行软件程序对训练集和测试集按照一定的步长进行滑窗裁剪，对训练集和测试集中裁剪出的切片按照斑点、变形、划伤、亮线、压印、脏污、正常标签进行分类。