[发明专利]一种基于深度学习的工业制品病疵检测方法

摘要

本发明公开了一种一种基于深度学习的工业制品病疵检测方法，该方法具体为先下载，并测试官方的模型，搭建工业轮胎X光病疵数据库；使用标注软件LabelImg分别对train数据集和validation数据集进行标注，生成.XML文件，依次将.XML文件生成.CSV文件，最终生成.RECORD文件。然后创建.PBTXT轮胎病疵类别标签文件。接下来搭建Faster RCNN神经网络模型，同时下载模型作为预训练的权值，配置对应的配置文件。然后开始训练模型，当迭代次数达到设定值自动停止训练或者模型训练至收敛时，手动停止训练。导出训练模型，最后使用test数据集进行目标检测。

主权项

1.一种基于深度学习的工业制品病疵检测方法，其特征在于，该方法具体包括以下步骤：步骤一：下载并安装Tensorflow object detection API，配置环境后进行测试官方模型；如果测试通过则此电脑安装配置Tensorflow object detection API成功，否则需重新配置；步骤二：建立工业轮胎X光病疵数据库，将其分为train数据集，validation数据集和test数据集；使用标记工具LabelImg对train数据集和validation数据集进行一一标注；步骤三：将标注后生成的.XML文件转换成.CSV文件，然后再将.CSV文件转换为tensorflow使用的数据格式TFRecord文件；并创建.pbtxt轮胎病疵类别标签文件；步骤四：搭建Faster R‑CNN神经网络模型，下载faster_rcnn_inception_v2_coco预训练模型，创建预训练模型的配置文件，配置文件中使用了步骤三中的.TFRecord文件和.pbtxt标签文件；步骤五：模型训练；当迭代次数达到设定值后，模型训练结束或者直到模型训练至收敛；步骤六：依据步骤五的训练结果导出frozen_inference_graph.pb模型文件；步骤七：使用步骤六训练出的模型对test数据集进行测试。