[发明专利]基于深度迁移学习的检测方法、存储介质和检测系统

权利要求书

1.一种基于深度迁移学习的检测方法，其特征在于，方法包括以下步骤：

S1、构建大规模工业缺陷检测图库：通过图库管理和标注软件，多端口人工进行图片的信息标注和上传，以此通过标注数据的入库来共同构建大规模高质量标注的工业数据库；

S2、构建基础模型，确定适合工业缺陷检测的基础深度学习模型；

S3、基于少量标注的迁移学习，通过光学系统获取检测项百片量级的图像，对待测件的缺陷区域进行人工区域标注；将标注好的样本增量训练到S2中的基础模型中，得到针对待测件缺陷的检测模型；

S4、传统算法和深度学习的融合，对检测模型建立二次判断规则，形成针对待测件的缺陷检测判断模型。

2.根据权利要求1所述的检测方法，其特征在于：步骤S1包括：

S11、通过光学系统采集图片；

S12、人工对图片进行筛选、标注和分类；

S13、根据 S12中的结果构建基于产品级别小图和缺陷级别小图的工业数据库。

3.根据权利要求1所述的检测方法，其特征在于：步骤S2包括：

S21、构建通用分割模型，所述通用分割模型包括训练预测方式模块、模型结构模块、损失函数模块和预处理方式模块；

S22、将S1中的大规模工业缺陷检测图库作为训练集来训练S21的通用分割模型。

4.根据权利要求3所述的检测方法，其特征在于：

在所述训练预测方式模块中，训练方式包括裁切训练和整图训练，预测方式包括小图预测和整图预测；

所述模型结构模块包括经典deeplab系列结构、Unet系列结构和实时网络Bisenet系列结构中的至少一种；

所述损失函数模块包括BCE函数、IOU函数、BCE+IOU函数和Recall-BCE函数中的至少一种；

所述预处理方式模块包括翻转增强方式、内部灰度变换方式和外部灰度拉伸中的至少一种方式。

5.根据权利要求4所述的检测方法，其特征在于：

所述BCE函数为： ………………式1；

所述Recall-BCE函数为： …………式2；

其中，为人工标机值真实值；

为深度学习的预测值；

α为0.05人工调参得出值；

为所有OK样本偏差之和；

为所有NG样本偏差之和。

6.根据权利要求1所述的检测方法，其特征在于：在步骤S3中，人工区域标注的方式包括整图标注、小图标注、目标框标注和像素级标注中的至少一种；所述增量训练方法包括：冻结模型的特征提取层，通过补充的数据微调特征分类层来实现增量训练。

7.根据权利要求1所述的检测方法，其特征在于：步骤S4包括：

S41、输入光学系统采集的待测件的检测图像；

S42、通过S3中的迁移学习模型得到概率输出图，通过0.5的阈值得到第一次的判断结果；

S43、对S42中的各类检测结果计算不同评价指标，并根据预设的指标阈值进行二次判断，确定是否为真实的脏污缺陷，得出最终结果。

8.根据权利要求7所述的检测方法，其特征在于：步骤S43中的评价指标包括均匀度、强度、灰度值偏差和外接矩形宽高。

9.一种计算机可读存储介质，其上存储有计算机指令，其特征在于：所述计算机指令运行时执行权利要求1-8任一项所述的方法。

10.一种基于深度迁移学习的检测系统，其特征在于：所述检测系统包括电讯连接的计算机（1）和光学检测模组（2），所述光学检测模组（2）包括检测相机（21）和光源（22），所述检测相机（21）将采集的待测件表面图像实时传递给计算机（1）进行图像处理；

所述计算机（1）包括存储单元、图像处理单元和输出单元；

其中，所述存储单元存储检测相机采集的待测件图像，并按需将采集的待测件检测图像发送给图像处理模块；

其中，所述图像处理单元对待测件检测图像进行图像数据处理，运行权利要求1-8任一项所述的方法进行缺陷判断，对缺陷图片进行分类和标注，形成缺陷标注图；

其中，图像输出单元将图像处理单元获得的缺陷标注图输出。