[发明专利]一种面向工业视觉质检的两阶段缺陷检测方法

权利要求书

1.一种面向工业视觉质检的两阶段缺陷检测方法，其特征在于：该方法包括以下步骤：

S1：收集工业环境下的产品质量检测的图像数据集，并且存储到数据库中；

S2：对数据集进行清洗处理，去除图像质量较差和模糊不清的图像；

S3：搭建两阶段缺陷检测模型，包括局部缺陷定位模块和缺陷类型预测模块两部分；

S4：在检测模型中引入多尺度特征融合方法，包括空洞卷积空间平衡特征金字塔结构ASBFPN；

S5：将数据集输入两阶段缺陷检测深度卷积神经网络模型中，通过模型训练学习到的特征进行预测；

S6：输出缺陷检测位置以及预测缺陷类型。

2.根据权利要求1所述的一种面向工业视觉质检的两阶段缺陷检测方法，其特征在于：所述对数据集进行清洗处理具体包括以下步骤：

S21：去除图像质量达到一定值的以及模糊不清的图像；

S22：去除指特征相似度达到一定值的图像；

S23：根据正样本和负样本，将数据筛选好。

3.根据权利要求1所述的一种面向工业视觉质检的两阶段缺陷检测方法，其特征在于：所述搭建两阶段缺陷检测模型包括：

1)局部缺陷预测模块；通过Inception模块应用系数卷积神经网络来预测图像中缺陷的可能性；在卷积神经网络中找到一个局部最优的稀疏结构，在每个模块中，在3×3的卷积之前使用一个1×1的卷积来减少输出维度；其次，采用灰度图像作为检测框架的输入；为避免表示瓶颈，卷积核的大小用3×3的大小来代替5×5和7×7；邻接网络的Inception部分，使用两个Inception结构，其中Inception模块1用于增加网络稀疏，Inception模块2用于增加稀疏性，同时减少网格大小；后一部分是卷积网络的通用结构；为防止过拟合，使用40％输出下降率的dropout层；在网络的最后，使用线性层作为分类器；

2)全局缺陷识别模块；在预测完所有的盒形图像后，得到输入图像的特征图；然后应用简单的卷积神经网络，根据尺寸为32×24大小图像进行识别缺陷的类型；首先，将特征图归一化为一个大小为32×32，通过零填充的方式；

采用LeNet模型对特征图进行识别，LeNet模型包括7层，包括3个卷积层、2个池化层和2个全连接层；三个卷积层的核都是5×5，两个池化层的窗口大小都是2×2；用Relu作为它的激活函数；与最后一个卷积层连接的全连接层的主要功能是特征的融合和增强；最后，采用softmax分类器进行分类预测。