[发明专利]一种基于深度学习的涂胶检测系统和方法

权利要求书

1.一种基于深度学习的涂胶检测方法，其特征在于，具体包括以下步骤:

S1:构建初始的深度残差网络模型：

所述深度残差网络模型为五层结构，包括输入层，卷积层，残差层，全连接层以及联合损失函数层；

S2：将训练样本输入到深度残差网络模型中进行训练，从而得到涂胶检测模型；

S3：获取原始涂胶图像，并进行预处理得到待检测的涂胶图像；

S4：将待检测的涂胶图像输入涂胶检测模型，获取涂胶图像检测的得分，根据得分判断待检测的涂胶图像的状态；

所述判断待检测的涂胶图像的状态的具体步骤为：

S4-1:待检测的涂胶图像输入涂胶检测模型，涂胶检测模型的输入层将待检测的涂胶图像转化为图像信息矩阵，并将图像信息矩阵传输至卷积层；

S4-2:卷积层对图像信息矩阵进行卷积运算提取出待检测的涂胶图像的浅层特征，所述浅层特征包括涂胶图像的边、角、曲线；

S4-3:残差层对浅层特征进行卷积运算，最终输出深层特征；

S4-4:全连接层将深层特征组合，从而得到一个待检测涂胶图像的涂胶环路在涂胶检测模型中样本标记空间里的映射，并对其进行分析，从而输出涂胶图像检测的得分，若得分大于预设阈值，则判断检测的涂胶图像断胶。

2.如权利要求1所述的一种基于深度学习的涂胶检测方法，其特征在于，所述S1中，所述残差层括4个残差子层，其中，

第一残差子层包括三组残差单元，且每组残差单元包括两个大小为3×3，滤波器数量为64个，步长为1的卷积层；第二残差子层包括四组残差单元，且每组残差单元包括两个大小为3×3，滤波器数量为128个，步长为1的卷积层；第三残差子层包括六组残差单元，且每组残差单元包括两个大小为3×3，滤波器数量为256个，步长为1的卷积层；第时四残差子层包括三组残差单元，且每组残差单元包括两个大小为3×3，滤波器数量为512个，步长为1的卷积层。

3.如权利要求1所述的一种基于深度学习的涂胶检测方法，其特征在于，所述全连接层包括第一全连接层和第二全连接层，所述第一全连接层为1000维的全连接层，所述第二全连接层为2维的全连接层。

4.如权利要求1所述的一种基于深度学习的涂胶检测方法，其特征在于，所述联合损失函数层，用于防止深度残差网络模型出现过拟合现象，其函数表达式为：

公式(1)中，Loss表示联合损失函数输出，n表示训练样本数量，m表示全连接层中神经元的个数，i表示训练样本的第i个样本，j表示将全连接层中的第j个神经元，x_i表示第i个训练样本，表示第i个训练样本的标签，表示全连接层中第j个神经元的预测结果，h(j)表示第j个神经元的输出值，e^h(j)(x_i)表示当样本为x_i时底数为自然常数、指数为h(j)时的幂，表示第个神经元，λ表示正则化损失的系数，表示神经网络中的权重。

5.如权利要求1所述的一种基于深度学习的涂胶检测方法，其特征在于，所述S3中，对原始涂胶图像进行预处理包括ROI裁剪和中值滤波。

6.如权利要求1所述的一种基于深度学习的涂胶检测方法，其特征在于，所述S4-2中卷积层对图像信息矩阵进行卷积运算，卷积步长设为2，卷积滤波器个数设为64，则

公式(2)中，f_3d表示单个卷积滤波器的卷积结果，i¹和j¹表示RGB图像中像素点坐标，m¹表示图像信息矩阵的维度，G表示图像信息矩阵，h₁表示权重矩阵，k和l表示权重矩阵h₁中权重的坐标；

再将64个卷积滤波器的卷积结果组合得到浅层特征F_64d：F_64d＝{f_{3d_1},f_{3d_2},f_{3d_3},…,f_{3d_64}}，f_{3d_3}表示第3个卷积滤波器的卷积结果。