[发明专利]一种深度卷积神经网络的视觉缺陷检测方法

摘要

本发明为一种具有结构解耦功能深度卷积神经网络的视觉缺陷检测方法，该方法用于光伏电池片表面缺陷检测，创造性的通过将SEF的结构解耦功能集成到CNN中，同时保留公共卷积层的特征提取能力，加强了模型对复杂裂纹缺陷特征的提取的有效性和准确性，实现了特征与背景的去耦合；对比于VGG16和GO‑CNN表面缺陷检测方法，设计的结构解耦神经网络模型在三个指标(精度、召回率、F‑测度)上都提升3％左右，而且可以有效的解决电池片表面背景纹理复杂、裂纹缺陷特征多样、形状随机的问题，缺陷识别的准确率达到99％。

主权项

1.一种基于结构解耦功能的深度卷积神经网络的视觉缺陷检测方法，该方法用于光伏电池片表面缺陷检测，其特征在于，包括下述步骤：/n第一步，图像预处理：/n1-1图像获取：利用红外相机采集图像，去除背景后获得近红外图片，该红外图片作为原始数据集；/n1-2图像切割：在步骤1-1的基础上，利用滑动分割法将步骤1-1获得红外图片的原始数据集分割成N个小图片，所述N个小图片作为目标图像；/n1-3测试样本集制作：对步骤1-2获得的N个所述目标图像进行人工分选，并添加缺陷种类标签，从中随机抽取20％的所述目标图像作为测试样本集；/n1-4训练样本集、验证样本集制作：在步骤1-3的基础上，提取剩余的80％所述目标图像的红外信息图片，并将所有图片尺寸量化为统一的尺寸，从而分别得到统一尺度的训练样本集和验证样本集；/n第二步，结构解耦神经网络模型搭建：/n2-1结构解耦特征提取层设计：/n结构解耦神经网络中第一卷积层的内核由SEF和公共参数的参数生成，然后通过连接最后一维中所有计算出的卷积核来获得完整的卷积核，通过这种方式将SEF的结构解耦功能集成到CNN中，同时保留公共卷积层的特征提取能力，所述公共卷积层内核用作结构解耦神经网络中第一卷积层的权重，称所述第一卷积层为“SD-Conv”，在所述“SD-Conv”层中，输入所述步骤1-4得到的所述训练样本集以及所述验证样本集数据，经过所述“SD-Conv”层计算，再依次进行正则化层和最大池化层运算，得到输出结果A；/n结构解耦神经网络第二层包括两个卷积层和一个最大池化层，结构解耦神经网络第一层“SD-Conv”的输出结果A作为结构解耦神经网络第二层的输入，连续经过两个卷积层和一个最大池化层，得到输出结果B；/n结构解耦神经网络第三层包括两个卷积层和一个最大池化层：结构解耦神经网络第二层得到的输出结果B经过所述结构解耦神经网络第三层中的卷积层和最大池化层计算后，得到输出结果特征；/n2-2分类层设计：/n将步骤2-1得到的所述输出结果特征，作为本层的输入，输入人工全连接神经网络层，经过标准化计算后，输入平均正则化层，得到输出结果C，所述输出结果C通过Softmax分类器进行分类得到分类结果；/n2-3分割层设计：/n将步骤2-1得到的所述输出结果特征，作为本层的输入，输入到类激活映射层，得到响应裂纹热力图，所述响应裂纹热力图通过分割器进行分割得到分割结果；/n完成结构解耦神经网络模型“SD-CNN”搭建；/n第三步，图像特征提取及分类分割：/n3-1参数初始化：/n初始化所有权重值、偏置值、批量归一化尺度因子值，并将初始化的参数数据输入步骤2-4获得的所述结构解耦神经网络模型，设置网络的初始学习率；/n3-2开始训练：/n将步骤1-4中获取的所述训练样本集输入步骤3-1初始化参数后的结构解耦神经网络，得到红外图像的输出特征值矩阵；/n3-3更新参数：/n将步骤1-4中获取的验证样本集输入步骤3-2训练后的结构解耦神经网络，根据步骤3-2提取到的所述红外图像的输出特征值矩阵，将所述验证样本集图像特征载入softmax分类器中进行分类，将所述步骤2-2获得的分类结果与标签信息进行对比，返回错误率error和损失函数loss到步骤3-2训练后的结构解耦神经网络，使用梯度下降算法将梯度损失传递到所述步骤2-4获取的结构解耦神经网络模型中，更新可训练参数；/n3-4输出模型：重复训练步骤3-3，当损失函数loss不大于0.005时且周期数高于50时，停止训练，得到最终结构解耦神经网络模型；/n3-5测试分类分割效果：将步骤1-3获取的测试样本集数据输入步骤3-4中获得的最终结构解耦神经网络，得到预测的类别与缺陷的区域；/n3-6结束光伏电池裂纹缺陷检测。/n