[发明专利]一种基于卷积神经网络的五金件缺陷分割方法及系统

权利要求书

1.一种基于卷积神经网络的五金件缺陷分割方法，其特征在于，包括：

构建卷积神经网络初始模型；

将训练集中的五金件缺陷图像输入到卷积神经网络初始模型中进行训练，以获得卷积神经网络最终模型；

将测试集中的五金件缺陷图像输入到卷积神经网络最终模型中，完成对高维卷积特征的提取；

将高维卷积特征映射为设定大小和长宽比的包围盒，再将包围盒转换为特征向量，根据转换公式获得缺陷包围盒的中心坐标和长宽；

根据缺陷包围盒的中心坐标和长宽，提取出缺陷区域的特征，实现缺陷分割。

2.根据权利要求1所述的方法，其特征在于，所述构建卷积神经网络初始模型包括：

构建包括输入层、卷积层、激励层和池化层的卷积神经网络初始模型，所述输入层、卷积层、激励层和池化层依次设置，所述卷积层和激励层均为多个，并且交替设置。

3.根据权利要求1所述的方法，其特征在于，在将训练集中的五金件缺陷图像输入到卷积神经网络初始模型中进行训练，以获得卷积神经网络最终模型之前，还包括：

将五金件缺陷图像分为两大类，即训练集和测试集，所述训练集占五金件缺陷图像总数的70％，所述测试集占五金件缺陷图像总数的30％。

4.根据权利要求3所述的方法，其特征在于，所述将训练集中的五金件缺陷图像输入到卷积神经网络初始模型中进行训练，以获得卷积神经网络最终模型包括：

将卷积神经网络的权值进行初始化，并使权重分布服从于均值为0，方差为0.01的高斯分布，同时使权值大于0的个数约等于小于0的个数；

将训练集中的五金件缺陷图像输入到卷积神经网络初始模型中，采用随机梯度下降法进行训练，以获得卷积神经网络最终模型。

5.根据权利要求4所述的方法，其特征在于，所述将训练集中的五金件缺陷图像输入到卷积神经网络初始模型中，采用随机梯度下降法进行训练，以获得卷积神经网络最终模型包括：

通过前向传播将训练集中的五金件缺陷图像逐一输入卷积神经网络初始模型，依次经过卷积层、激励层、池化层以及分类器输出计算结果，对比标签，计算输出误差；

根据所述误差，从输出层依次向前，计算各层卷积神经网络的误差，根据各层误差，计算权值更新量，更新权值w和偏差b；

将训练集中全部五金件缺陷图像训练得到的误差平方之后，求和，再开方作为卷积神经网络输出总误差，如果卷积神经网络总误差大于设定阈值，则将误差和计数器恢复初始值，重新训练，直至误差小于设定阈值，得到卷积神经网络最终模型。

6.一种基于卷积神经网络的五金件缺陷分割系统，其特征在于，包括：

模型构建模块，用于构建卷积神经网络初始模型；

模型训练模块，用于将训练集中的五金件缺陷图像输入到卷积神经网络初始模型中进行训练，以获得卷积神经网络最终模型；

特征提取模块，用于将测试集中的五金件缺陷图像输入到卷积神经网络最终模型中，完成对高维卷积特征的提取；

特征转换模块，用于将高维卷积特征映射为设定大小和长宽比的包围盒，再将包围盒转换为特征向量，根据转换公式获得缺陷包围盒的中心坐标和长宽；

缺陷分割模块，用于根据缺陷包围盒的中心坐标和长宽，提取出缺陷区域的特征，实现缺陷分割。

7.根据权利要求6所述的系统，其特征在于，所述模型构建模块具体用于：

构建包括输入层、卷积层、激励层和池化层的卷积神经网络初始模型，所述输入层、卷积层、激励层和池化层依次设置，所述卷积层和激励层均为多个，并且交替设置。

8.根据权利要求6所述的系统，其特征在于，还包括：

图像分类模块，用于在将训练集中的五金件缺陷图像输入到卷积神经网络初始模型中进行训练，以获得卷积神经网络最终模型之前，将五金件缺陷图像分为两大类，即训练集和测试集，所述训练集占五金件缺陷图像总数的70％，所述测试集占五金件缺陷图像总数的30％。