[发明专利]一种基于深度学习的缺陷检测方法、装置和存储介质

权利要求书

1.一种基于深度学习的缺陷检测方法，其特征在于：具体步骤如下：

步骤一：收集带有缺陷信息的产品图像并按照缺陷类型分类；

步骤二：对缺陷图像进行标注、生成带有缺陷信息的标签文件；

步骤三：将标签文件与训练图像导入深度学习神经网络模型，训练得到模型文件；

步骤四：加载模型文件并在线传输产品图像，即可准确识别产品的各种缺陷。

2.根据权利要求1所述的一种基于深度学习的缺陷检测方法，其特征在于：所述步骤一中收集带有缺陷信息的产品图像并按照缺陷类型分类，具体步骤如下：

通过光学装置采集所述目标产品的各种缺陷图像，其中，所述光学装置应能够满足各种缺陷的清晰采集，每种缺陷均应采集一定数量的图像；

按照缺陷类型对采集的缺陷图像进行分类，针对不同类型的缺陷，分别筛选出合适的缺陷图像，所述合适的缺陷图像应客观反应各种缺陷的细节。

3.根据权利要求1所述的一种基于深度学习的缺陷检测方法，其特征在于：所述步骤二中对缺陷图像进行标注、生成带有缺陷信息的标签文件，具体步骤如下：

使用LabelImg标注工具对所述各种缺陷图像进行标注，生成带有缺陷信息的.xml标签文件，缺陷信息包括缺陷的标签名、缺陷的像素位置、缺陷图像的尺寸与通道数。

4.根据权利要求1所述的一种基于深度学习的缺陷检测方法，其特征在于：所述步骤三中将标签文件与训练图像导入深度学习神经网络模型，训练得到模型文件，具体步骤如下：

通过开源的深度学习框架对卷积神经网络模型进行搭建，构建出含有卷积层、池化层、激活函数、全连接层结构的卷积神经网络模型；

将所有缺陷样本的图像与其对应的标签文件导入构建好的卷积神经网络模型中，经训练后可以得到模型文件。

5.根据权利要求4所述的一种基于深度学习的缺陷检测方法，其特征在于：将所有缺陷样本的图像与其对应的标签文件导入构建好的卷积神经网络模型中，经训练后可以得到模型文件，具体步骤如下：

将缺陷样本的图像与其对应的标签文件导入构建好的卷积神经网络模型中，为了丰富缺陷样本并提高训练网络的鲁棒性，在卷积神经网络的输入端加入了数据增强算法，通过对缺陷样本的随机缩放、随机裁剪、随机排布的方式进行拼接，以此达到数据集增强的目的；

卷积神经网络的Backbone主干网络负责提取输入图像的特征信息，每幅缺陷图中均含有缺陷的真实值：特征信息与位置；同时对每幅输入图像进行划分区域并在区域中分配初始化的多尺度预测框，部分预测框中含有缺陷的预测值，通过缺陷的真实值和预测值构建损失函数，将缺陷检测问题转换成回归问题；

通过加入学习率自适应的优化算法以达到损失函数值快速接近于0，从而使预测值更快更准的接近于真值，模型训练过程中产生的大量节点参数值即构成了模型文件。

6.根据权利要求1-5中任意一项所述的一种基于深度学习的缺陷检测方法，其特征在于：所述步骤四中，加载模型文件并在线传输产品图像，即可准确识别产品的各种缺陷，具体步骤如下：

通过运动模块控制相机在线采集产品图像，光学装置的设计应能够清晰、全面的采集待检测的区域，并清楚反应产品缺陷的细节；

通过加载训练好的模型文件和在线采集的产品图像，经过深度学习的特征提取、回归算法，即可准确识别产品上的缺陷类别和位置。

7.根据权利要求1所述的一种基于深度学习的缺陷检测装置，其特征在于：所述装置包括存储器和处理器，所述存储器中存储有至少一条程序指令，所述处理器通过加载并执行所述至少一条程序指令以实现如权利要求1至6任一所述的方法。

8.根据权利要求1所述的一种基于深度学习的缺陷检测的可读存储介质，其特征在于：所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现权利要求1至6任一所述的方法。