[发明专利]一种基于深度学习的瑕疵检测系统及方法

权利要求书

1.一种基于深度学习的瑕疵检测系统，其特征在于，包括：

皮带传输装置，用于传输被测产品；

线扫相机和与之连接的镜头，二者用于扫描皮带传输装置上的被测产品，将采集到的产品表面图像发送至PC主机处；

所述PC主机内设置有图像处理软件，通过图像处理软件进行瑕疵检测和处理，同时将处理结果显示并上传至云端；

其中，所述图像处理软件包括如下模块：

预处理模块，用于对图片进行预处理，所述预处理包括但不限于图像的灰度变换和图像的裁切；所述预处理模块将边缘存在瑕疵的图像上边缘、下边缘、左边缘和右边缘裁剪出四张边缘小图片，所述预处理模块将边缘内侧存在瑕疵的图像内部裁剪出内部小图片；并对裁剪出的小图片按仿射变换矩阵变换成处理大小的图片；

预测模块，用于通过卷积神经网络度图像进行预测，获取预测结果；

处理模块，用于对预测结果进行处理，对于NG片利用裁切时的仿射变换矩阵换算出瑕疵在原图像上的位置及面积，获得处理图片；

显示模块，用于对处理图片进行显示；所述云端进行大数据分析。

2.如权利要求1所述的基于深度学习的瑕疵检测系统，其特征在于：还包括一模型库，与所述预测模块连接，所述模型库内设置有离线训练好的卷积神经网络模型。

3.如权利要求1所述的基于深度学习的瑕疵检测系统，其特征在于：所述预测结果为单通道灰度图，该图像像素值在0～255分布，每个像素值大小表示该位置为瑕疵的得分。

4.如权利要求1所述的基于深度学习的瑕疵检测系统，其特征在于：所述处理模块中引入亮度阈值和面积阈值两个参数对预测结果进行处理。

5.一种基于深度学习的瑕疵检测方法，其特征在于，包括如下步骤：

S1：线扫相机扫描皮带传输装置上的被测产品，将采集到的产品表面图像发送至图像处理软件处；

S2：通过图像处理软件进行瑕疵检测和处理，同时将处理结果显示并上传至云端；所述图像处理软件引入亮度阈值和面积阈值两个参数进行处理；所述步骤S2具体包括：

S21：对图片进行预处理，所述预处理包括但不限于图像的灰度变换和图像的裁切；将边缘存在瑕疵的图像上边缘、下边缘、左边缘和右边缘裁剪出四张边缘小图片，预处理模块将边缘内侧存在瑕疵的图像内部裁剪出内部小图片；并对裁剪出的小图片按仿射变换矩阵变换成处理大小的图片；

S22：通过卷积神经网络度图像进行预测，获取预测结果；

S23：对预测结果进行处理，对于NG片利用裁切时的仿射变换矩阵换算出瑕疵在原图像上的位置及面积，获得处理图片；

S24：对处理图片进行显示；

S3：云端进行大数据分析。

6.如权利要求5所述的基于深度学习的瑕疵检测方法，其特征在于，所述步骤S22具体包括：加载离线训练好的卷积神经网络模型，对预处理后的图像进行预测，获取测试结果。

7.如权利要求5或6所述的基于深度学习的瑕疵检测方法，其特征在于：所述预测结果为单通道灰度图，该图像像素值在0～255分布，每个像素值大小表示该位置为瑕疵的得分。

8.如权利要求5或6所述的基于深度学习的瑕疵检测方法，其特征在于：所述步骤S23中引入所述亮度阈值和面积阈值两个参数对预测结果进行处理。