[发明专利]基于深度迁移学习网络的笔记本屏幕缺陷检测方法及设备

权利要求书

1.一种基于深度迁移学习网络的笔记本屏幕缺陷检测方法，其特征在于：通过计算机设备实现以下步骤，

S10、获取笔记本生产线下的高清摄像头视频，对包含检测目标的视频进行关键帧提取，获取原始样本图片并进行预处理获得源域样本图像；

S20、建立缺陷检测DBN(Deep Belief Network)网络模型结构和在源数据集预训练DBN网络模型，使用k-means聚类方法，获取源数据集中包含缺陷图片的先验框位置，对构建的深度DBN网络模型训练，调整网络模型参数，以获得源域DBN的权重和偏移量；

S30、DBN网络参数迁移，将源域的DBN结构和参数迁移至目标任务中，并通过输入目标域训练样本微调DBN网络参数，以获得目标样本和无缺陷样本之间的映射；

S40、对生产线高清摄像头的待检测视频，送入预训练好的DBN网络检测模型，将目标域测试样本与DBN网络生成的图像比较，通过阈值确定正常样本与缺陷样本之间的区别与分类，并获得二值图像。

2.根据权利要求1所述的基于深度迁移学习网络的笔记本屏幕缺陷检测方法，其特征在于：所述S10中获取原始样本图片后还包括对原始样本图片使用图片归一化和增强图像对比度增强等预处理手段获得设定数量的原始数据集图片；最后，对原始数据集图片中包含生产缺陷的像素区域进行人工标定，获取生产缺陷的坐标信息作为目标域训练模型的输入，获得源域样本图像。

3.根据权利要求1所述的基于深度迁移学习网络的笔记本屏幕缺陷检测方法，其特征在于：所述S10具体包括以下步骤：

S11：采集笔记本外观生产线高清摄像头下的检测视频，然后提取提取包含外观缺陷的视频关键帧原始样本，对原始样本使用“中心式归一化”(mean normalization)图像预处理，构建训练样本集；

S12：对数据集图片中包含外观缺陷的像素区域用矩形框进行标注，其中，一张数据集图片中包含多个矩形框，即多处外观缺陷，但每个矩形框仅包含一个待检测的目标，标注后的标签结果按照VOC数据集格式保存在xml文件中；其中，每张图片对应一个同名的xml文件，包含该数据集图片中每个矩形框的中心点坐标信息(x,y)，矩形框的宽w和矩形框的高h；此处对每个batch图片中的标签，即(x,y,w,h)进行了尺寸的归一化，即在原图坐标系下根据原图纵横比不变映射为64*64坐标下的一个子区域，并将变换后的坐标信息存储在xml文件中，作为后续训练目标域模型的输入。

4.根据权利要求3所述的基于深度迁移学习网络的笔记本屏幕缺陷检测方法，其特征在于：所述S2包括：

无监督条件下对每层RBM网络的每个层进行训练；

通过反向传播对整体DBN网络的参数调整。

5.根据权利要求4所述的基于深度迁移学习网络的笔记本屏幕缺陷检测方法，其特征在于：所述无监督条件下对每层RBM网络的每个层进行训练，具体包括：

(1)首个RBM神经元训练；

(2)固定已训练的RBM的权重和偏移量，将隐藏层的state作为下一个RBM神经元的输入；

(3)对第二个神经元充分训练后，将其堆砌至第一个DBN神经单元后；

(4)重复(1)～(3)的步骤；

(5)如果是训练已标记的顶层数据，则在顶层RBM的训练过程，除了可见的神经元外，还训练在顶层的可见层还有代表分类标记的神经元；

其中，训练单个神经元的步骤包括：

假设有n个数量的可视单元(v1,v2,…,vn)，m个隐藏单元(h1,h2,…,hm),RBM能量函数定义为：

基于能量的概率分布模型定义：

其中Z又称为归一化因子，定义为：

Z＝∑_v,hexp(－E(v,h)) (3)

依据RBM层内无连接条件，当给出可视层状态时，各隐藏层之间相互独立，将隐藏层某个神经元激活概率定义为：

当给出某一隐藏层状态时，可视层第K个单位被激活的概率公式：