[发明专利]基于深度卷积神经网络的胶原蛋白肠衣缺陷检测模型、检测方法及系统

权利要求书

1.基于深度卷积神经网络的胶原蛋白肠衣缺陷检测模型的构建方法，其特征在于，包括：

(1)图像标注：对采集到的图像数据中的缺陷进行标注，用两点坐标分别标出缺陷的坐标最大值与坐标最小值，标注其缺陷种类；

(2)卷积神经网络的构建：设计五个卷积神经模型，模型1为基于残差网络的基础模型，用来从原始图像数据中提取肠衣图像数据结构特征；模型2与模型3为下采样模型，用来获取肠衣更广阔的特征视野；模型4为肠衣缺陷类别预测模型，用于对提取的特征分类；模型5为肠衣缺陷边界框绘制模型，用来根据对提取到的特征图生成锚框并预测类别和偏移量；

(3)模型训练：将五个卷积神经网络模型拼接合并成为一个最终的肠衣缺陷检测模型，并进行模型训练；

(4)构建损失函数；

(5)模型评估：采用准确率来评价肠衣缺陷分类结果，对肠衣缺陷边界框的预测采用平均绝对误差评价结果；

(6)模型推理：依据模型5得到肠衣缺陷锚框及预测的偏移量得到预测边界框，并通过非极大值抑制方法合并相似的预测边界框，最后再经过置信度阈值的调整最终输出肠衣缺陷检测数据结果。

2.根据权利要求1所述的构建方法，其特征在于，步骤(2)中，模型2和模型3为下采样模型，由RELU激活函数与批归一化组成且卷积核为3*3的卷积层，再加一个最大池化层组成。

3.根据权利要求1所述的构建方法，其特征在于，步骤(2)中，模型4和模型5，分别由5个输入通道为类别数量相同且卷积核为3*3的卷积层，与偏移量相同且卷积核为3*3的卷积层组成。

4.根据权利要求1所述的构建方法，其特征在于，步骤(3)中，采用多卷积层，小卷积核的方法将数据集分为80％的训练集与20％验证集对其进行训练并在每次迭代后对训练集进行验证。

5.根据权利要求1所述的构建方法，其特征在于，步骤(4)构建损失函数：针对模型4的特征分类，创建交叉损失熵函数，针对模型5的边界框偏移量，创建L1范数损失，然后将这两个损失相加得到最终损失函数。

6.基于深度卷积神经网络的胶原蛋白肠衣缺陷检测方法，其特征在于，包括：

S1：获取肠衣的三组图像数据；

S2：将步骤S1的三组图像数据依次进行归一化操作转换成张量数据；

S3：将步骤S2的张量数据输入训练好的胶原蛋白肠衣缺陷检测模型，胶原蛋白肠衣缺陷检测模型推理输出分类结果、缺陷位置边框坐标和置信度；所述胶原蛋白肠衣缺陷检测模型根据权利要求1-5任一项所述的方法构建；

S4：将大于置信度阈值的分类结果与缺陷位置边框坐标通过非极大值抑制方法合并，得到最终推理结果；

S5：将边框坐标内部的肠衣缺陷图像数据提取，并对其进行阈值分割，计算出缺陷的像素值和坐标值；

S6：依照相机镜头焦距与相机CMOS像元的比例关系，将肠衣缺陷部分的像素值换算成实际大小，从而对白肠衣外观质量进行客观评价。

7.根据权利要求6所述的胶原蛋白肠衣缺陷检测方法，其特征在于，步骤S1中，利用三组工业相机分别以120°夹角同时拍摄肠衣，采集肠衣360°全景图像数据，并通过数据电缆传输至工控机中。

8.根据权利要求6所述的胶原蛋白肠衣缺陷检测方法，其特征在于，步骤S4中，置信度的阈值为97％。

9.基于深度卷积神经网络的胶原蛋白肠衣缺陷检测系统，其特征在于，包括：

图像数据获取模块，利用三组工业相机分别以120°夹角同时拍摄肠衣，采集肠衣360°全景图像数据，并通过数据电缆传输至工控机中；

图形数据转化模块，将图像数据获取模块的三组图像数据依次进行归一化操作转换成张量数据；

胶原蛋白肠衣缺陷检测模块，利用权利要求1-5任一项所述的方法设计胶原蛋白肠衣缺陷检测模型，将张量数据输入训练好的胶原蛋白肠衣缺陷检测模型进行检测，输出分类结果、缺陷位置边框坐标和置信度；

结果处理模块，将置信度大于97％的分类结果与缺陷位置边框坐标通过非极大值抑制方法合并，得到最终推理结果；

评价模块，将边框坐标内部的肠衣缺陷图像数据提取，并对其进行阈值分割，计算出缺陷的像素值和坐标值；并依照相机镜头焦距与相机CMOS像元的比例关系，将肠衣缺陷部分的像素值换算成实际大小，对白肠衣外观质量进行客观评价。