[发明专利]一种应用于机箱表面划痕检测的深度卷积神经网络方法

摘要

本发明属于机器视觉领域，涉及一种应用于机箱表面划痕检测的深度卷积神经网络方法。该方法通过深度卷积神经网络对机箱表面划痕图片进行训练，建立应用于机箱表面划痕检测的深度卷积神经网络模型。经过测试选出最优的深度卷积神经网络模型，利用彩色摄像机采集机箱表面图像，由最优的深度卷积神经网络模型对机箱表面划痕进行检测。本发明设计的深度卷积神经网络，可以有效的解决光照环境多变的机箱表面细微划痕检测的难题。

主权项

1.本发明所设计的深度卷积神经网络方法，其特征是：对机箱表面图像进行划痕检测，步骤如下：步骤1：选取含有机箱表面划痕图像的数据集，所述的机箱表面划痕图像数据集包含输入图像X张，标签图像X张，测试图像Y张，将所述的数据集的图像大小统一设置为3通道像素值为512×512的图像；步骤2：深度卷积神经网络模型的第一层输入层参数I1＝m1×m1×n1，设置m1＝512，n1＝3；步骤3：步骤2中所述的深度卷积神经网络模型的第二层卷积层参数C1＝m2×m2×n2，设置m2＝3，n2＝16，所述的深度卷积神经网络模型第二层卷积层的输出为Cout1；步骤4：步骤2中所述的深度卷积神经网络模型的第三层池化层参数P1＝m3×m3×n3，设置m3＝2，n3＝1；步骤5：步骤2中所述的深度卷积神经网络模型的第四层卷积层参数C2＝m4×m4×n4，设置m4＝3，n4＝32，所述的深度卷积神经网络模型第四层卷积层的输出为Cout2；步骤6：步骤2中所述的深度卷积神经网络模型的第五层池化层参数P2＝m5×m5×n5，设置m5＝2，n5＝1；步骤7：步骤2中所述的深度卷积神经网络模型的第六层卷积层参数C3＝m6×m6×n6，设置m6＝3，n6＝64，所述的深度卷积神经网络模型第六层卷积层的输出为Cout3；步骤8：步骤2中所述的深度卷积神经网络模型的第七层池化层参数P3＝m7×m7×n7，设置m7＝2，n7＝1；步骤9：步骤2中所述的深度卷积神经网络模型的第八层卷积层参数C4＝m8×m8×n8，设置m8＝3，n8＝128，所述的深度卷积神经网络模型第八层卷积层的输出为Cout4；步骤10：步骤2中所述的深度卷积神经网络模型的第九层池化层参数P4＝m9×m9×n9，设置m9＝2，n9＝1；步骤11：步骤2中所述的深度卷积神经网络模型第十层卷积层参数C5＝m10×m10×n10，设置m10＝3，n10＝256，所述的深度卷积神经网络模型第十层卷积层的输出为Cout5；步骤12：步骤2中所述的深度卷积神经网络模型的第十一层反卷积层参数D1＝md11×md11×nd11，设置md11＝3，nd11＝128，所述的深度卷积神经网络模型第十一层反卷积层的输出为Dout1，将步骤9中所述的深度卷积神经网络模型第八层卷积层的输出Cout4与所述的深度卷积神经网络模型第十一层反卷积层的输出Dout1进行叠加获得深度卷积神经网络模型第十一层的复合层R1；步骤13：步骤2中所述的深度卷积神经网络模型的第十二层卷积层参数C6＝m12×m12×n12，设置m12＝3，n12＝128；步骤14：步骤2中所述的深度卷积神经网络模型的第十三层反卷积层参数D2＝md13×md13×nd13，设置md13＝3，nd13＝64，所述的深度卷积神经网络模型第十三层反卷积层的输出为Dout2，将步骤7中所述的深度卷积神经网络模型第六层卷积层的输出Cout3与上述的深度卷积神经网络模型第十三层反卷积层的输出Dout2进行叠加获得深度卷积神经网络模型第十一层的复合层R2；步骤15：步骤2中所述的深度卷积神经网络模型的第十四层卷积层参数C7＝m14×m14×n14，设置m14＝3，n14＝64；步骤16：步骤2中所述的深度卷积神经网络模型的第十五层反卷积层参数D3＝md15×md15×nd15，设置md15＝3，nd15＝32，所述的深度卷积神经网络模型第十五层反卷积层的输出为Dout3，将步骤5中所述的深度卷积神经网络模型第四层卷积层的输出Cout2与上述的深度卷积神经网络模型第十五层的反卷积层的输出Dout3进行叠加获得深度卷积神经网络模型第十五层的复合层R3；步骤17：步骤2中所述的深度卷积神经网络模型的第十六层卷积层参数C8＝m16×m16×n16，设置m16＝3，n16＝32；步骤18：步骤2中所述的深度卷积神经网络模型的第十七层反卷积层参数D4＝md17×md17×nd17，设置md17＝3，nd17＝16，所述的深度卷积神经网络模型第十七层反卷积层的输出为Dout4，将步骤3中所述的深度卷积神经网络模型的第二层卷积层输出Cout1与上述的深度卷积神经网络模型的第十七层的反卷积层输出Dout4进行叠加获得深度卷积神经网络模型的第十七层的复合层R4；步骤19：步骤2中所述的深度卷积神经网络模型的第十八层卷积层参数C9＝m18×m18×n18，设置m18＝3，n18＝16；步骤20：步骤2中所述的深度卷积神经网络模型的第十九层卷积层参数C10＝m19×m19×n19，设置m19＝1，n19＝1，所述的深度卷积神经网络模型的第十九层卷积层输出为OUT＝512×512×1；步骤21：将步骤1中的X张输入图像与X张标签图像导入步骤2至步骤20设置好的深度卷积神经网络模型进行训练；步骤22：将步骤1中的Y张测试图像导入步骤21中训练好的深度卷积神经网络模型进行测试；步骤23：启动采集图像的彩色摄像机，对机箱表面图像进行采集；步骤24：对步骤23中所述的机箱表面图像进行切割，设置切割尺寸为512×512；步骤25：将步骤24中切割好的机箱表面图像输入到步骤22中测试完成的深度卷积神经网络模型进行图像处理；步骤26：将步骤25中深度卷积神经网络模型的输出图像进行拼接；步骤27：对步骤26中拼接后的图像进行轮廓查询，通过最小外矩形将查询到的轮廓进行标注；步骤28：将步骤27中最小外矩形的参数返回到步骤23中所述的机箱表面图像对划痕进行标识，完成机箱表面划痕检测。