[发明专利]一种基于深度学习的工业零件缺陷检测方法

权利要求书

1.一种基于深度学习的工业零件缺陷检测方法，其特征在于，包括步骤：

S1：获取预设数量的工业零件原始图像及经过缺陷标记后的缺陷标注图；

S2：根据缺陷标注图获取卷积池化处理后的特征图，将特征图与池化阶段中各池化层的输出进行融合，并利用初始卷积核卷积得到分割网络；

S3：调整卷积核大小依次对分割网络进行训练；

S4：根据原始图像和缺陷标注图对相应分割网络的输出结果进行分类训练，得到分类网络；

S5：根据分割网络和分类网络对工业零件原始图像进行缺陷程度、缺陷位置和缺陷种类判断。

2.如权利要求1所述的一种基于深度学习的工业零件缺陷检测方法，其特征在于，所述步骤S1中，缺陷标注图为根据缺陷的种类，在原始图像缺陷对应位置设置相应灰度值的掩膜图像。

3.如权利要求1所述的一种基于深度学习的工业零件缺陷检测方法，其特征在于，所述步骤S2中，池化处理包括第一池化层至第三池化层，各池化层为别有预设数量的卷积层，池化层之间通过最大池化下采样层连接。

4.如权利要求3所述的一种基于深度学习的工业零件缺陷检测方法，其特征在于，特征图与池化阶段的池化层融合的具体步骤为：

对特征图依次进行三次上采样，其中，第一次上采样的输出与第三池化层的输出拼接融合，第二次上采样的输出与第二池化层的输出拼接融合，第三次上采样的输出与第一池化层的输出拼接融合。

5.如权利要求4所述的一种基于深度学习的工业零件缺陷检测方法，其特征在于，所述特征图在上采样后的输出和相应池化层的输出尺寸大小一致。

6.如权利要求1所述的一种基于深度学习的工业零件缺陷检测方法，其特征在于，所述步骤S4中，在进行分类训练前，还需通过近似最大函数结合交叉熵损失函数对分割网络的输出结果进行处理，以获得分割后含有特征概率的缺陷图像。

7.如权利要求6所述的一种基于深度学习的工业零件缺陷检测方法，其特征在于，所述近似最大函数为：

式中，P_k(x)为第x个像素点出现第k个特征的概率，a_k(x)为第x个像素点在第k个特征的激活函数，k为特征的类别数。

8.如权利要求7所述的一种基于深度学习的工业零件缺陷检测方法，其特征在于，所述交叉熵损失函数为：

式中，k＝{1，2...K}为每个像素正确的标签，Ω为特征空间，ω(x)为第x个像素点的权重，E为分割网络转换为分类网络的能量损失；ω_c为类别的初始预设权重值，d1为到最近缺陷边界的距离，d2为到第二近缺陷边界的距离，ω₀和σ为预设像素值。

9.如权利要求1所述的一种基于深度学习的工业零件缺陷检测方法，其特征在于，所述步骤S3之后还包括步骤，

S31：判断训练后分割网络的输出结果是否满足预设精度，若是，进入步骤S4，否则，返回步骤S3。