[发明专利]一种基于深度学习的缺陷快速初筛方法及系统

权利要求书

1.一种基于深度学习的缺陷快速初筛方法，其特征在于，包括：

对图像进行像素级别的缺陷标注，并将图像及其对应的标注信息作为样本集；

对所述样本集进行预处理，并将预处理后的图片输入到搭建好的编码器中；

所述编码器利用深度卷积神经网络对所述预处理后的图片进行多重卷积、池化实现下采样、ReLu函数激活及损失函数训练得到深度卷积神经网络学习模型；

将待测图像输入到所述深度卷积神经网络学习模型中，输出每个像素对应的缺陷类别的概率；

当缺陷类别像素的占比介于(0，10％)时，判定为疑似缺陷图像；

将所述疑似缺陷图像输入到搭建好的解码器中完成缺陷的初筛。

2.根据权利要求1所述的基于深度学习的缺陷快速初筛方法，其特征在于，所述对所述样本集进行预处理，包括：

确定所述样本集中的图像的ROI区域；

对所述样本集中的图像作进行尺寸归一化；

对经过尺寸归一化的图像进行数据增强；

将经过数据增强后的图像划分为训练集、验证集和测试集。

3.根据权利要求1所述的基于深度学习的缺陷快速初筛方法，其特征在于，所述编码器利用深度卷积神经网络对所述预处理后的图片进行多重卷积、池化实现下采样、ReLu函数激活及损失函数训练得到深度卷积神经网络学习模型，包括：

输入256*256大小的原图；

所述原图经过多重卷积、池化实现下采样、ReLu函数激活及损失函数后得到32*32*128的特征图；

所述特征图经过一个卷积步长为1，卷积核大小为1*1的卷积层得到32*32*(C+1)的特征图，其中C为缺陷类别数目。

4.根据权利要求1所述的基于深度学习的缺陷快速初筛方法，其特征在于，所述将待测图像输入到所述深度卷积神经网络学习模型中，输出每个像素对应的被标注为缺陷类别的概率，包括：

将所述特征图中的背景缺陷类别标记为0，第一缺陷类别标记为1，第二缺陷类别标记为2；

分别输出被标记为0，1和2的概率。

5.根据权利要求1所述的基于深度学习的缺陷快速初筛方法，其特征在于，所述当缺陷类别像素的占比大于10％时，判定为疑似缺陷图像，包括：

获取被标记为1和2的总样本的概率；

当所述被标记为1和2的总样本的概率介于(0，10％)时，判定为疑似缺陷图像。

6.根据权利要求1所述的基于深度学习的缺陷快速初筛方法，其特征在于，所述当缺陷类别像素的占比介于(0，10％)时，判定为疑似缺陷图像，还包括：

获取被标记为1和2的总样本的概率；

当所述被标记为1和2的总样本的概率大于10％时，判定为缺陷图像；

当所述被标记为1和2的总样本的概率等于0时，判定为无缺陷图像。

7.根据权利要求1所述的基于深度学习的缺陷快速初筛方法，其特征在于，所述将所述疑似缺陷图像输入到搭建好的解码器中完成缺陷的初筛，包括：

当待测图像判定为缺陷图像或无缺陷图像时，处理结束。

8.根据权利要求1所述的基于深度学习的缺陷快速初筛方法，其特征在于，所述将所述疑似缺陷图像输入到搭建好的解码器中完成缺陷的初筛后，还包括：

对所述疑似缺陷图像的缺陷类别进行第一次划分；

根据所述疑似缺陷图像的缺陷的大小和形态进行第二次划分；

获取所述疑似缺陷图像的检测结果，所述检测结果包括良品和次品。