[发明专利]一种基于深度学习的镜片缺陷检测方法

权利要求书

1.一种基于深度学习的镜片缺陷检测方法，其特征在于：包括以下步骤：

步骤1)将不少于1000张的待测镜片图像存储为离线图库，并将所述离线图库输入到lmdb数据库中，根据caffe模型，按图像特征对每一张待测镜片图像进行分类并添加对应的特征标签，建立待测镜片图像与特征标签之间的对应关系；所述特征标签种类的个数记为n；

将所有具有相同特征标签的待测镜片图像复制在同一个子分类图库中；

步骤2)对每个所述子分类图库中的所有待测镜片图像，依次进行均值化操作，每个子分类图库对应生成一个图像均值二进制文件；

步骤3)根据预先定义的Makefile编译规则，将所述图像均值二进制文件依次输入到ARM-NN SDK工具包，ARM-NN SDK工具包按照所述Makefile编译规则执行make编译，每个图像均值二进制文件对应生成一组包含可编译文件的中间文件；

步骤4)根据对ARM-NN SDK工具包预先设置的prototxt文件的配置信息，将步骤3)得到的中间文件对应生成网络结构，所述网络结构包括以一定规律连接的卷积层、池化层、激活层、全连接层、softmax层、drop层和输出层；

所述中间文件共有n个，对应的网络结构也有n个，记为DL_i，i＝1,2,3…n；

步骤5)向每个网络结构DL_i中分别输入与每个网络结构相对应的子分类图库中的所有待测镜片图像；

根据预先设置的prototxt文件的配置信息，对所述网络结构进行迭代，迭代总次数S取值8000～20000，每迭代q次，降低学习率，到迭代总次数完成；

迭代完成后，根据softmax层中的验证信息，得出网络结构DL_i’的正确率；

当正确率达到90％时，将经过迭代的网络结构DL_i’存储在二进制protobuf文件中；若正确率＜90％，则重新采集离线图库，返回步骤1)；

对所述n个网络结构分别进行迭代，得到n个二进制protobuf文件；

或者，

根据预先设置的prototxt文件的配置信息，对网络结构进行迭代，迭代总次数S取值8000～20000，每迭代q次，根据softmax层中的验证信息，得出当前网络结构的正确率并降低学习率，继续进行迭代；当正确率达到90％时，迭代结束，将所述经过迭代的网络结构DL_i’的参数存储在二进制protobuf文件中；若迭代总次数完成后，正确率＜90％，则重新采集离线图库，返回步骤1)；

对所述n个网络结构分别进行迭代，得到n个二进制protobuf文件；

步骤6)将所述n个二进制protobuf文件加载到ARM-NN SDK工具包中，将所述Makefile编译规则中的软件编译工具g++改为目标微处理器架构上的g++，所述软件编译工具g++用于把文件编译成可执行程序；

根据步骤3)中的其他Makefile编译规则，启动交叉编译，对应生成n个protobuf动态链接库；

所述protobuf动态链接库能被C++程序直接调用；

步骤7)下位机主程序运行时加载所述protobuf动态链接库，对实时采集的待测镜片图像进行处理，输出与待测镜片图像特征相对应的检测结果。

2.如权利要求1所述一种基于深度学习的镜片缺陷检测方法，其特征在于：在所述ARM-NN SDK工具包中，Makefile编译规则包括定义工程源码的路径、生成文件的路径、软件编译工具g++；指定目标微处理器架构为“arm”、编译工具链版本为“arm-linux-gnueabihf-gcc”、编入protobuf所需要的源文件、Linux内核版本、以及链接库。

3.如权利要求1所述一种基于深度学习的镜片缺陷检测方法，其特征在于：所述prototxt文件用于配置模型参数；

所述prototxt文件的配置信息包括：

对步骤4)中每个网络结构中的卷积层、池化层、激活层、全连接层、softmax层、drop层、输出层的层数、连接关系的设置；

对步骤5)中的每个网络结构的迭代总次数S、次数q、以及每个学习率的设置。