[发明专利]一种基于深度学习的工业产品缺陷检测方法有效
申请号: | 201910723845.6 | 申请日: | 2019-08-07 |
公开(公告)号: | CN110570396B | 公开(公告)日: | 2022-03-15 |
发明(设计)人: | 邹腊梅;车鑫;俞天敏;聂士伟;张松伟;钟胜;熊紫华;李晓光;李长峰 | 申请(专利权)人: | 华中科技大学 |
主分类号: | G06T7/00 | 分类号: | G06T7/00 |
代理公司: | 华中科技大学专利中心 42201 | 代理人: | 曹葆青;李智 |
地址: | 430074 湖北*** | 国省代码: | 湖北;42 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | 本发明公开了一种基于深度学习的工业产品缺陷检测方法,属于计算机视觉和深度学习领域,所述方法包括:对原始工业产品图像进行像素级别的缺陷标注,并将原始工业产品图像及其对应的标注信息作为样本数据;对样本数据进行预处理和数据增强,得到训练集、测试集和验证集;构建缺陷检测网络;将所述训练集、测试集和验证集输入搭建好的缺陷检测网络进行训练,得到训练好的缺陷检测模型;将待检测的工业产品图像输入训练好的缺陷检测模型进行缺陷检测,得到所述工业产品图像的缺陷信息。本发明采用深层网络VGG16bn的特征提取网络前端进行下采样,采用亚像素卷积结构实现上采样,同时使用跳跃连接实现特征融合,可以高效、准确的检测出微小的工业产品缺陷。 | ||
搜索关键词: | 一种 基于 深度 学习 工业产品 缺陷 检测 方法 | ||
【主权项】:
1.一种基于深度学习的工业产品缺陷检测方法,其特征在于,包括:/n(1)对原始工业产品图像进行像素级别的缺陷标注,并将所述原始工业产品图像及其对应的标注信息作为样本数据;/n(2)对所述样本数据进行预处理和数据增强,得到训练集、测试集和验证集;/n(3)构建缺陷检测网络;/n所述缺陷检测网络包括编码模块、解码模块、跳跃连接模块和输出模块;/n所述编码模块,用于对样本数据进行多次卷积、池化实现下采样,得到不同分辨率的特征图;所述解码模块,用于对不同分辨率的特征图进行周期性重排,还原原始工业产品图像像素的位置信息;所述跳跃连接模块,用于将所述编码模块与解码模块对应的相同尺度的特征图进行相加或并联连接,实现特征融合;所述输出模块,用于将所述解码模块输出的特征图转化为二值掩模图像;/n其中,所述解码模块包括依次连接的多个上采样单元;每个上采样单元包括依次连接的卷积层、亚像素卷积层以及非线性激活层;/n(4)将所述训练集、测试集和验证集输入搭建好的缺陷检测网络进行训练,得到训练好的缺陷检测模型;/n(5)将待检测的工业产品图像输入训练好的缺陷检测模型进行缺陷检测,得到所述工业产品图像的缺陷信息。/n
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华中科技大学,未经华中科技大学许可,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/201910723845.6/,转载请声明来源钻瓜专利网。