[发明专利]一种基于轻量化网络的工业产品表面缺陷检测方法

权利要求书

1.一种基于轻量化网络的工业产品表面缺陷检测方法，其特征在于，所述方法包括以下步骤：

S1确定深度学习网络模型的结构；

S2将训练样本输入网络模型进行训练，其中，在使用网络对样本进行检测之前，需要对网络的参数进行训练，使每一个参数达到合适的数值；

S3保存训练获得的参数文件；

S4将参数赋值给网络并对测试样本进行检测；

S5根据检测结果对样本图像中的缺陷进行标注。

2.根据权利要求1所述的基于轻量化网络的工业产品表面缺陷检测方法，其特征在于，还包括在步骤1与步骤2之间的优化训练样本的标记步骤，其中，在将训练样本输入进网络模型前，根据不同的网络模型，需要对训练样本的标记进行一定的预处理。

3.根据权利要求2所述的基于轻量化网络的工业产品表面缺陷检测方法，其特征在于，所述预处理是求出一个矩形，将椭圆标记包括在内，具体的求法是，分别找到椭圆内所有点横纵坐标的最大值和最小值，以此分别求得矩形标记框的位置和大小。

4.根据权利要求1所述的基于轻量化网络的工业产品表面缺陷检测方法，其特征在于，所述步骤S3包括在每一轮训练的过程中，会将训练样本的一部分，作为训练阶段的测试样本。

5.根据权利要求1所述的基于轻量化网络的工业产品表面缺陷检测方法，其特征在于，所述步骤4中包括将训练获得的参数，赋值给网络模型，将测试样本作为网络模型的输入，网络模型会经过运算后，得到一个输出，该输出为测试样本图像中所有缺陷的位置及大小的预测。

6.根据权利要求1所述的基于轻量化网络的工业产品表面缺陷检测方法，其特征在于，所述网络模型的结构共有23层，在0-7层的网络前端，采用了非对称卷积进行特征提取；其中，将输入分别用3*3、1*3、3*1的卷积核进行卷积，再分别进行批标准化，最后将得到的结果相加，再使用LeakyReLU进行激活，作为最终的结果。

7.根据权利要求6所述的基于轻量化网络的工业产品表面缺陷检测方法，其特征在于，在8-12层的网络中部，采用的是深度可分离卷积降低参数数量，即对于普通3*3的卷积，所需要的参数为输入通道数*输出通道数*3*3，其中，参数为输入通道数*3*3+输入通道数*输出通道数*1*1，当输出通道数较大时，深度可分离卷积所需要的参数数量约为普通3*3卷积的3*3分之一，即9分之一。

8.根据权利要求6所述的基于轻量化网络的工业产品表面缺陷检测方法，其特征在于，在13层的网络中部设有SE注意力模块，用于加强网络对特征图的每一个通道的相关性的学习。

9.根据权利要求6所述的基于轻量化网络的工业产品表面缺陷检测方法，其特征在于，在0-12层的网络主干部分的下采样采用了Stride为2的3*3卷积。