[发明专利]缺陷手套识别多模型预测方法

权利要求书

1.缺陷手套识别多模型预测方法，其特征在于，其包括如下的步骤：

S1、采集手套生产线不同工位的产品图像并进行预处理；

S2、建立缺陷预测模型M，所述缺陷预测模型M包括分类预测模型MC与目标检测预测模型MT；

S3、使用若干个缺陷预测模型对产品缺陷情况进行预测，所述缺陷预测模型包括分类预测模型MC、目标检测预测模型MT中的一种或若干种独立模型的组合。

2.根据权利要求1所述的缺陷手套识别多模型预测方法，其特征在于，分类预测模型MC和目标检测预测模型MT都是通过卷积神经网络或全连接神经网络一种或多种结合的深度学习方法去抽取检测图像的特征并进行处理，分类预测模型MC根据特征提取加全连接神经网络可以实现图像的分类，目标检测预测模型MT可以实现图像目标定位与分类。

3.根据权利要求1所述的缺陷手套识别多模型预测方法，其特征在于，所述分类预测模型MC设置有置信度阈值θ_C，预测基于置信度阈值θ_C的合格品与不合格品的分类结果；

所述目标检测预测模型MT设置有置信度阈值θ_T，预测基于置信度阈值θ_T的合格品与不合格品的分类结果,以及不合格品的缺陷所属类别、具体位置。

4.根据权利要求1所述的缺陷手套识别多模型预测方法，其特征在于，步骤S3中，采用双目标预测模型MT₁+MT₂，相互配合进行预测，其中MT₁为主模型，MT₂为辅助模型，其中：

MT₁定义全品类缺陷D1_i，在模型训练时主模型用D1_i进行模型训练；

MT₂定义严重缺陷D2_i，在模型训练时主模型用D2_i进行模型训练；

首先在主模型中设置某类别缺陷的置信度阈值σ₁，主模型对待检测图像数据的该类别缺陷进行预测，若检测到缺陷的置信度小于设定阈值σ₁，则将此图像数据送入MT₂再次进行预测；

MT₂设定有置信度阈值σ₂，σ₂代表与D1_i对应的严重缺陷D2_i的置信度阈值；若MT₂检测到缺陷的置信度大于设定阈值σ₂，则认定为该图像数据对应的产品具有严重缺陷；所述MT₁+MT₂双模型用于避免严重缺陷的漏检。

5.根据权利要求1所述的缺陷手套识别多模型预测方法，其特征在于：步骤S3中，采用目标预测模型MT₁+分类预测模型MC₁，相互配合进行预测，具体为：

首先对MT₁设置低水平的置信度阈值σ₁；

其次用MT₁将所有待检图像数据进行预测，检测到的缺陷区域包含大量的误检检测框，然后使用像素切割将预测框切割出来形成独立图像；

然后将切割下来的图像送入MC₁判断是否误检。

6.根据权利要求1所述的缺陷手套识别多模型预测方法，其特征在于：步骤S3中，采用目标预测模型MT₁+目标预测模型MT₂+分类预测模型MC₁，相互配合进行预测，用于在提高检出率的同时，降低误检率，其中：

MT₁为主模型、MT₂为辅助模型，主模型和辅助模型将预测框切割出来形成独立图像后，由MC₁再一次进行分类预测。