[发明专利]一种基于深度学习的工业视觉检测方法

说明书

本发明提供一种基于深度学习的工业视觉检测方法，涉及工业视觉检测领域。该基于深度学习的工业视觉检测方法，包括以下步骤：(1)进行深度学习的训练；A.将工业零件按照三个光照强度分组拍照；B.将样本存储内的图片打乱并建立深度学习模型；(2)进行图像采集；a.把工业零件放在检测系统设置好的零件位置并对零件进行照明；b.对工业零件进行图片采集；(3)深度学习执行对工业零件进行检测；工业相机拍摄的零件图片和深度学习模型内的图片进行检测识别；(4)终端分拣计数。通过合理的检测方法，用三种工业零件特征图片对深度学习进行训练，给零件图片的拍摄设定固定的光照强度和零件位置，提升缺陷零件的检出率，值得大力推广。

技术领域

本发明涉及工业视觉检测技术领域，具体为一种基于深度学习的工业视觉检测方法。

背景技术

深度学习是学习的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助，它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据，深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术，工业视觉检测系统就是用工业相机代替人眼睛去完成识别、测量、定位等功能，一般视觉检测系统由相机、镜头、光源组合合成，可以代替人工完成条码字符、裂痕、包装、表面图层是否完整、凹陷等检测、使用视觉检测系统能有效的提高生产流水线的检测速度和精度，大大提高产量和质量，降低人工成本，同时防止因为人眼疲劳而产生的误判。

深度学习的工业视觉检测比传统机器学习对工业零件的检测效率更高，同时检测成功率也非常高，但是深度学习的工业视觉检测在对工业零件检测的时候，深度学习的学习训练量大，比传统机器学习耗费很多的训练时间，且虽然对工业零件检测的准确率提升了不少，但检测失误的情况还是会发生。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于深度学习的工业视觉检测方法，解决了深度学习工业视觉检测的学习训练时间长、检测成功率低的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：一种基于深度学习的工业视觉检测方法，包括以下步骤：

(1)进行深度学习的训练

A.将工业照明分为明亮、昏暗、常见光照强度三个光照强度，然后对缺陷的工业零件进行照明并进行拍照，将拍好的照片分为三组分别为明亮组缺陷图片、昏暗组缺陷图片和常见光照强度组缺陷图片，然后将图片存储在样本存储内；

B.将样本存储内的所有图片打乱，然后经过一定的程序将图片建立成深度学习模型；

C.建立深度学习模型；

I.结合降噪自动编码器(DAE)与带正则化的收缩自动编码器(CAE+H)的训练过程，通过以下的目标函数，训练一个K层的DCAE+H堆叠的深度神经网络，其中，λ是非负的正则化超参数，控制惩罚的雅克比参数有多强烈，γ是一个额外附加的正则化超参数，控制惩罚雅克比局部扰动的力度，表示从毁坏过程抽取被污染样本点的期望，其他各个参数的表示意义和原有模型目标函数中的表达相一致，每层训练时都由上一层训练学习得到的表示作为输入再接着进行下一层的训练；

II.对于每个x_i∈D计算最后一层表示的雅可比式以及它的奇异值分解SVD，将最前面d_M个奇异值向量存储在集合中；

III.在K层预训练层的最顶端，施加一层大小与类别数量一致的输出层，施加一个切回归惩罚项为有监督分类微调整个神经网络，这里对于每一个样例x_i，利用切方向

IV.作为选择地，替换第III步，我们可以将中的切向量用在一个切距离的最近邻分类器中；

(2)进行图像采集