[发明专利]一种基于深度学习的工业品不规则缺陷检测方法

摘要

一种基于深度学习的工业品不规则缺陷检测方法，包括：先对采集到的样本图像进行图像增强处理，使缺陷更加明显；然后，以卷积神经网络CNN为基础，结合SSD目标识别模型构建缺陷检测网络基本模型，并合理的设计模型参数；最后，采用非极大值抑制算法减少预测框的数量，采用数据增强操作来扩大数据集，增加网络的训练量，可以有效地提高网络识别性能，解决不规则缺陷的检测难题。本发明在不规则缺陷检测、存在干扰缺陷检测、检测实时性等方面表现优于传统的检测方法，能够满足企业对于一般工业品视觉检测的要求。

主权项

1.一种基于深度学习的工业品不规则缺陷检测方法，包括如下步骤：/n步骤一，图像增强处理；/n图像灰度直方图描述的是图像中具有该灰度级的像素点的个数；通常以横轴表示灰度级，以纵轴表示每一灰度级的像元数个数或该像元数占总像元数的比例值，以此做出的条形统计图即为灰度直方图；/n每幅图像都可以做出灰度直方图，并且可以根据图像的直方图分布来确定图像质量，因此，选择采用直方图均衡化和直方图匹配的方法，通过改变图像的灰度直方图来改变图像的显示效果，从而使图像中的缺陷更加明显，减少干扰因素的影响；/n1.1)直方图均衡化；/n图像的直方图表现了图像的灰度分布情况，当直方图的灰度集中分布在低值区域时，图像的亮度较低；当直方图的灰度集中在高值区域时，图像亮度较高；当直方图集中在中值区域时，得到的是低对比度的图像；当直方图分布较为均匀且分布较广时，得到的是高对比度的图像；因此，可以采用使图像灰度级均匀分布的方法，来提高图像的对比度，使图像变得清晰；/n直方图均衡化的具体操作步骤如下所示：/n(S1)统计直方图各灰度级；/n首先，设变量r表示图像中像素灰度级，对灰度级进行归一化处理，若图像的灰度级为{0,1,2,…,L-1}，则/n