[发明专利]一种地板自动分选方法

权利要求书

1.一种地板自动分选方法，其特征在于，包括下述步骤：

步骤1：训练阶段

训练人工智能，使得该人工智能能够自动识别黑白图像和彩色图像中地板的缺陷；

步骤2：使用阶段

用步骤1训练得到的人工智能进行识别，并进行抽检，不断对人工智能迭代升级；

所述的步骤1包括下述内容，

步骤1.1：训练集和验证集的制备；

步骤1.2：训练；

步骤1.3：验证；

所述的步骤1.1包括下述内容，

首次训练按照如下内容进行，

训练集和验证集均包括彩色图像与黑白图像两部分；其中训练集的彩色图像至少10000张，图像中包括且只包括一种缺陷，缺陷的类型和位置是随机出现的，缺陷包括凹坑、冲偏、打折、刮痕、坏片、晶点、洞、气泡、逃色、杂质、对偏、淋膜、暗泡共13种，每种缺陷照片的数量至少为500张，训练集的黑白图像至少10000张，图像中包括且只包括一种缺陷，缺陷的类型和位置是随机出现的，缺陷包括凹坑、冲偏、打折、刮痕、坏片、晶点、洞、气泡、逃色、杂质、对偏、淋膜、暗泡共13种，每种缺陷照片的数量至少为500张，

黑白图像训练集的照片可以是彩色图像训练集照片直接转换成的黑白照片，也可以是另外单独准备的黑白照片，

验证集的彩色图像至少2000张，图像中包括且只包括一种缺陷，缺陷的类型和位置是随机出现的，缺陷应涵盖训练集中出现的每种缺陷，每种缺陷照片至少为120张，验证集的黑白图像至少2000张，图像中包括且只包括一种缺陷，缺陷的类型和位置是随机出现的，缺陷应涵盖训练集中出现的每种缺陷，每种缺陷照片至少为120张，

黑白图像验证集的照片可以是彩色图像验证集照片直接转换成的黑白照片，也可以是另外单独准备的黑白照片，

对人工智能的升级迭代训练按照如下内容进行，

只需要给出升级训练的训练集和验证集即可，训练集的彩色图像和黑白图像至少各300张，其中带缺陷图像200张，正常图像100张，验证集的彩色图像和黑白图像至少各120张；

所述的步骤1.2包括下述内容，

使用步骤1.1得到的训练集对人工智能训练，使用本申请给出的人工智能算法进行训练，

训练针对彩色图像和黑白图像分别进行，

本申请使用的人工智能算法为CASCADE-RCNN，

算法结构包括下面三个部分

(1)提取特征：对训练集图像进行深度特征提取，提取采用经典的resnet50网络进行，并在原始的resnet50网络基础上增加了可变形卷积以及特征金字塔结构，

(2)确定感兴趣区域：首先根据上步骤中提取到的深度特征，按照一定的规则在原图上生成约20000个锚点，本申请使用的规则是：长宽比[0.2,0.5,1.0,2.0,5.0]，面积[8*8,16*16,32*32,64*64,128*128]，再利用上步骤中提取得到的深度特征，计算锚点属于前景的概率，以及对应的位置参数，选取其中概率较大的12000个锚点(anchors)，利用非极大值抑制，再选取2000个锚点，得到感兴趣区域，

(3)级联分类与回归：将感兴趣区域和图像深度特征输入到分类回归模块，对感兴趣区域进行分类，以及回归感兴趣区域的位置，级联有3个级别，3个级别使用的交并比分别是0.5,0.6,0.7，前一个阶段的输出作为后一个阶段的输入，随着级联阶段的不断深入，检测性能也逐步提高，

训练时使用反向传播算法对模型的参数进行更新。

2.如权利要求1所述的一种地板自动分选方法，其特征在于：所述的步骤1.2还包括下述内容，

训练使用数据增强手段，包括但不限于：

·随机亮度；

·随机对比度；

·随机水平翻转；

·随机垂直翻转；

·随机旋转[-10,10]度；

·随机高斯噪声扰动。