[发明专利]一种基于双流CNN模型的太阳能网版缺陷检测办法

权利要求书

1.一种基于双流CNN深度卷积神经网络模型的太阳能网版缺陷检测方法，其特征在于：所述方法包括如下步骤：

步骤1、系统初始化，调整光源，并调整相机到拍摄起始位置，依次对网版检测区域进行拍摄，相机每次采集固定分辨率大小的图像；

步骤2、对步骤1中相机所采集的图像进行分割，将原始图像分割为若干个固定分辨率大小的图像块；

步骤3、采用高斯滤波对分割的图像块进行处理，去除图像中的噪声，并生成缺陷训练图像数据集；

进一步的，所述步骤3中高斯滤波的具体操作是：用一个用户指定的模板扫描图像块中的每一个像素，用模板所确定邻域内像素的加权平均灰度值去替代模板中心像素点的值；

所述二维高斯分布的表达式为：

公式(1)中x和y分别为水平和垂直方向上的采样点相对于模板中心的偏移量，σ为高斯分布的标准差；所述的高斯滤波采用离散化窗口滑窗卷积或傅里叶变换实现；

步骤4、采用缺陷训练图像数据集，训练双流CNN深度卷积神经网络模型，利用缺陷图像对模型进行微调；

进一步的，所述步骤4中双流CNN模型采用卷积-反卷积架构；其中，蓝色卷积层用于提取区分真实缺陷和噪声的长度、厚度或整体形状的训练图像特征，并确定主动响应缺陷的原始图像特征是否驻留在图像块中；浅蓝色池化层对输入特征映射进行下采样；卷积层和池化层提供输出隐向量；橙色反卷积层从特征图和潜在矢量中重构感兴趣区域；

进一步的，所述步骤4中双流CNN模型由加权特征网络和低层特征网络组成；其中，加权特征网络中的卷积层针对不同层次训练分层特征，靠近输入层的图层提供了更原始的图像表示；而低层特征网络中的低层特征可用于边缘检测算法；

进一步的，所述步骤4中的微调分两步进行：

步骤4.1、将训练样本的输入送入显著性检测网络，若显示结果接近实际缺陷则选择部分输出样本；

步骤4.2、人工去除不希望的结构，使试样中只剩下缺陷；

上述步骤迭代完成，得到若干个伪训练样本；通过人工跟踪相关缺陷建立若干个某一类缺陷的训练样本，对若干个已得到的缺陷测试样本进行进一步微调；训练和测试图像不重叠，且训练采用标准的反向传播算法；

进一步的，对于步骤4中模型的训练，代价函数L定义为预测边缘图像与原始边缘之间的均方误差，其表达式为：

公式(2)中O为基本真值，H_w为网络函数，w为网络参数集，I为输入的检测图像块；训练1个最优网络参数集w，使代价函数最小：

w^*＝argminL(w) (3)

公式(3)中的优化可通过反向传播算法实现，网络参数采用小批量随机梯度下降算法更新：

此外，学习速率设定为一固定值，在训练过程中保持恒定；人为规定迭代次数；在微调中，学习速率相同，经过若干次迭代后停止训练；

步骤5、利用训练好的模型进行特征提取与缺陷检测。