[发明专利]基于深度哈希网络的铸件缺陷图像检测方法在审
| 申请号： | 201810766116.4 | 申请日： | 2018-07-12 |
| 公开（公告）号： | CN108986091A | 公开（公告）日： | 2018-12-11 |
| 发明（设计）人： | 孙志毅;杨凯;王安红;刘瑞珍;吴贺贺 | 申请（专利权）人： | 太原科技大学 |
| 主分类号： | G06T7/00 | 分类号： | G06T7/00;G06K9/62 |
| 代理公司： | 北京国坤专利代理事务所(普通合伙) 11491 | 代理人： | 赵红霞 |
| 地址： | 030024 山*** | 国省代码： | 山西;14 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 一种基于深度哈希网络的铸件缺陷图像检测方法属于材料铸件缺陷图像检测领域，包含以下步骤：对网络进行初始化，在ImageNet数据集上预训练一个基于AlexNet的卷积神经网络；输入图像，并且对图像进行预处理；将预处理过的图像输入到一个拥有5层卷积和3层池化的卷积神经网络当中；将最后一层池化的结果输入到两个全连接层；将全连接层的输出输入到哈希层；将哈希层的输出输入到分类层，得到输入图像属于每个类别的概率来确定输入图像的分类结果；在训练网络过程中，当达到测试迭代次数时，会得到当前迭代次数的网络正确率，当达到最大迭代次数时，会得到最终的网络模型，本发明能够很好的提高图像特征的提取能力和图像分类的精度。 | ||
| 搜索关键词： | 输入图像 迭代 预处理 卷积神经网络 哈希网络 图像检测 铸件缺陷 连接层 池化 哈希 材料铸件 分类结果 检测领域 缺陷图像 图像分类 图像输入 图像特征 网络模型 训练网络 输出 初始化 数据集 正确率 卷积 网络 图像 测试 分类 概率 | ||
【主权项】：
1.一种基于深度哈希网络的铸件缺陷图像检测方法，其特征是包括下列步骤：a、在ImageNet上预训练一个卷积神经网络；b、输入图像，并对输入图像进行预处理；c、已预处理的图像开始进入深度哈希网络的第一个卷积层，并将第一个卷积层的输出结果进行max‑pooling运算；d、上一层的输出结果进入第二个卷积层，并将第二个卷积层的输出结果进行max‑pooling运算；e、上一层的输出结果进入第三个卷积层，进行卷积运算，将第三层的输出结果输入第四个卷积层，再进行卷积运算f、上一层的输出结果进入第五个卷积层，并将第五个卷积层的输出结果进行max‑pooling运算；g、上一层的输出结果进入深度哈希网络的两个全连接层；h、上一层的输出结果进入深度哈希网络的哈希层；i、上一层的输出结果进入深度哈希网络的最后一层，得到图像属于有缺陷与无缺陷两个类别的概率，得出图像分类结果。
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太原科技大学，未经太原科技大学许可，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/201810766116.4/，转载请声明来源钻瓜专利网。
