[发明专利]基于卷积神经网络的极片极耳缺陷检测模型、检测方法及系统

摘要

本发明涉及极片极耳检测，具体涉及基于卷积神经网络的极片极耳缺陷检测模型、检测方法及系统，模型构建：图像经过双高斯差分后进行数据分割；数据标注；神经网络构建：模型1为提取图像固定维度特征的神经网络模型；模型2在模型1的基础上添加分类层，用于对极耳缺陷特征进行分类，模型3在模型1的基础上对极片缺陷检测出的特征进行多尺度边界回归以确定锚框方位，再通过非极大值抑制方法确定主要边界框体；模型4在模型1的基础上对极片缺陷边界回归主体输出的特征向量进行分类；模型训练；创建损失函数；模型评估；融合成一个最优融合模型；模型推理输出检测结果。本发明提高了极片极耳缺陷检测效率及准确率。

主权项

1.基于卷积神经网络的极片极耳缺陷检测模型的构建方法，其特征在于，包括：(1)图像预处理：将输入图片进行双高斯差分，分割为极片和极耳两类数据；(2)数据标注：对步骤(1)分割得到的极片图像数据中的缺陷进行位置标注，对极耳图像数据进行分类标注；(3)神经网络的构建：设计四个卷积神经模型，模型1为提取图像固定维度特征的神经网络模型；模型2在模型1的基础上添加分类层，用于对极耳缺陷特征进行分类，模型3在模型1的基础上对极片缺陷检测出的特征进行多尺度边界回归以确定锚框方位，再通过非极大值抑制方法确定主要边界框体；模型4在模型1的基础上对极片缺陷边界回归主体输出的特征向量进行分类；将模型1作为图像固定维度特征提取模型，将模型2作为极耳缺陷分类模型，模型3、4通过多尺度融合成为极片缺陷检测模型；(4)模型训练：对极耳缺陷分类模型和极片缺陷检测模型进行模型训练；(5)创建损失函数：分别针对极耳缺陷分类模型和极片缺陷检测模型创建损失函数，将两个损失相加得到最终损失函数；(6)模型评估：分别对极耳缺陷分类模型和极片缺陷检测模型进行评估；(7)模型融合：依据模型评估结果得到极耳缺陷分类与极片缺陷检测的最优模型，通过concentrate函数将两种模型作为子模型融合成一个最优融合模型，以加快检测速度；(8)数据推理：将经过图像预处理分割出的极耳与极片图像数据转换成张量数据同时进入步骤(7)的最优融合模型，在数据向前传播的过程中，极耳的张量数据进入极耳缺陷分类子模型，极片的张量数据进入极片缺陷检测子模型，最后经过置信度阈值的调整输出检测结果。