[发明专利]基于深度学习的小五金件缺陷检测方法、系统及设备

权利要求书

1.基于深度学习的小五金件缺陷检测方法，其特征在于，包括如下步骤：

步骤一、选取小五金件的样本图像，对其进行预处理构建CIFAR-100样本集，基于CIFAR-100样本集对卷积神经网络进行训练，获得训练好的缺陷识别模型；

步骤二、对小五金件进行图像采集并进行灰度化处理，得到灰度图，对灰度图进行图像分割，获得目标运动前景；

步骤三、基于九宫格算法对目标运动前景图像进行计算，得到待检测小五金件图像并将其分割为若干个超像素块S_up，计算每个超像素块S_up的显著性值s，再通过多尺度超像素块显著性的融合，得到显著性图；

步骤四、为显著性图构建一个最小外接正方形，对其进行归一化处理，调整大小为32×32，输入缺陷识别模型，确定所述待检测小五金件图像中的缺陷。

2.如权利要求1所述的基于深度学习的小五金件缺陷检测方法，其特征在于，所述步骤一具体包括：

1.1、对样本集中的图像采用先膨胀后腐蚀的方式递减图像分辨率，获得第一小目标特征图；

1.2、复制步骤1.1处理后的图像，分割缺陷mask，得到第二小目标特征图；

1.3、复制步骤1.3处理后的图像，通过旋转得到第三小目标特征图；

1.3、复制步骤1.4处理后的图像，通过缩放得到第四小目标特征图；

1.4、将所有的小目标特征图进行融合，得到特征金字塔网络FPN，作为缺陷识别模型的主干网络。

3.如权利要求1所述的基于深度学习的小五金件缺陷检测方法，其特征在于，所述步骤一中卷积神经网络包括：

输入层，输入32×32的图像；

卷积层C1，输出6个5*5卷积核，步长为1；

下采样层S1，采用最大池化法输出2*2size，步长为2的核；

卷积层C2，输出12个5*5卷积核，步长为1；

下采样层S2，采用最大池化法输出2*2size，步长为2的核；

全链接层，采用ReLU作为激活函数，输出N个神经元,N∈[160,10000]；

输出层，输出四维向量。

4.如权利要求1所述的基于深度学习的小五金件缺陷检测方法，其特征在于，所述步骤二中，采用混合高斯模型与三帧差分法相结合的方式检测目标运动前景图像。

5.如权利要求3所述的基于深度学习的小五金件缺陷检测方法，其特征在于，所述下采样层S1和下采样层S2中的最大池化法替换为平均池化法或者随机池化法。

6.如权利要求1所述的基于深度学习的小五金件缺陷检测方法，其特征在于，所述步骤三中，采用如下方式计算超像素块S_up的显著性值s：

对超像素块S_up进行聚类，得到n个聚类，设第1个聚类的聚类中心特征向量为B₁，第2个聚类的聚类中心特征向量为B₂，以此类推，得聚类中心特征向量B＝{B₁,B₂,B₃,...B_n}；

采用如下公式计算超像素块S_up的显著性值s：

其中：

上式中，D＝(S_up,B_i)为超像素块S_up和第i个聚类的聚类中心特征向量B_i之间的距离,i＝{1,2,3...,n},σ为尺度因子，w为权值，(x，y)为超像素块S_up的中心坐标，(x′,y′)为待检测小五金件图像的中心坐标。

7.如权利要求1所述的基于深度学习的小五金件缺陷检测方法，其特征在于，所述步骤四中，采用双三次插值法进行归一化处理。