[发明专利]一种基于深度学习的磁瓦表面缺陷检测方法有效
| 申请号： | 201711298006.1 | 申请日： | 2017-12-08 |
| 公开（公告）号： | CN108305243B | 公开（公告）日： | 2021-11-30 |
| 发明（设计）人： | 严俊龙;郑晓曦 | 申请（专利权）人： | 五邑大学 |
| 主分类号： | G06T7/00 | 分类号： | G06T7/00;G06N3/04;G01N21/88 |
| 代理公司： | 广州市红荔专利代理有限公司 44214 | 代理人： | 吴伟文 |
| 地址： | 529020 广*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及一种基于深度学习的磁瓦表面缺陷检测方法，包括如下步骤：对训练样本数据集及检测样本数据集中的每一幅原始磁瓦表面缺陷图像进行数据增强变换处理，以得到扩大的训练样本数据集及检测样本数据集；以卷积神经网络为基础建立包含卷积层和全连接层的深度学习模型，其中卷积层包括九个单元，且每个单元均依次由图像卷积层、批归一化层、非线性变换层、图像卷积层、正则化层及特征合并层构成，全连接层依次由批归一化层、非线性变换层、全局平均池化层及缺陷分类层构成；用扩大的训练样本数据集离线训练已建立的深度学习模型，学习最优参数，以得到训练好的深度学习模型；在线检测时将扩大的检测样本数据集输入到已训练好的深度学习模型中，完成缺陷的自动分类识别；分类精度高，特征工程要求低，且泛化性能高。 | ||
| 搜索关键词： | 一种 基于 深度 学习 表面 缺陷 检测 方法 | ||
【主权项】：
1.一种基于深度学习的磁瓦表面缺陷检测方法，其特征在于，包括如下步骤：S1.扩大训练样本数据集及检测样本数据集：对训练样本数据集及检测样本数据集中的每一幅原始磁瓦表面缺陷图像进行数据增强变换处理，以得到扩大的训练样本数据集及检测样本数据集；S2.建立并训练深度学习模型：以卷积神经网络为基础建立包含卷积层和全连接层的深度学习模型，其中卷积层包括九个单元，且每个单元均依次由图像卷积层、批归一化层、非线性变换层、图像卷积层、正则化层及特征合并层构成，全连接层依次由批归一化层、非线性变换层、全局平均池化层及缺陷分类层构成；用扩大的训练样本数据集离线训练已建立的深度学习模型，学习最优参数，以建立训练样本数据集中的磁瓦表面缺陷图像与缺陷类别的关系，得到训练好的深度学习模型；S3.识别缺陷：在线检测时将扩大的检测样本数据集输入到已训练好的深度学习模型中，完成缺陷的自动分类识别。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于五邑大学，未经五邑大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201711298006.1/，转载请声明来源钻瓜专利网。
