[发明专利]一种提高玻璃表面缺陷检测效率与准确率的方法

说明书

本发明涉及目标检测与识别领域，公开了一种提高玻璃表面缺陷检测效率与准确率的方法，包括如下步骤：提取缺陷样本，输入fster‑rcnn、ssd、Yolov3目标识别网络训练学习，保存学习后的模型；使用fster‑rcnn、ssd、Yolov3目标识别网络训练学习后的模型进行图像检测与识别，得到目标识别网络的图像检测准确率；比较fster‑rcnn、ssd、Yolov3目标识别网络的图像检测准确率的大小，按准确率从大到小的顺序分配权重，组合fster‑rcnn、ssd、Yolov3目标检测网络得到组合分类器来训练得到综合准确率，记为accuracy1；动态权重组合fster‑rcnn、ssd、Yolov3目标识别网络训练学习后的模型；采集样本图像输入动态权重组合后的网络训练学习模型，输出样本图像上的缺陷位置与类别。本方法有利于提高检测效率和准确率。

技术领域

本发明属于目标检测与识别领域，尤其涉及一种提高玻璃表面缺陷检测效率与准确率的方法。

背景技术

如中国专利公告号CN 107123111A公开了一种用于手机屏幕缺陷检测的深度残差网络构造方法,通过采集包含瑕疵图片和正常图片，进行标记，通过训练数据训练自定义的深度残差网络直到收敛并且有较高准确率；通过对深度残差网络的每个残差模块使用一定的概率进行随机移除的方法来生成浅层网络模型，并重复进行此操作，生成多个不同深度的网络模型；将高分辨率相机拍摄的手机屏幕图片进行不同比例的缩放，形成图片金字塔，对于每个尺度的图片，将图片分割成小块并使得图片块含有一定的重合面积，将所有小块图片作为一个组一起送入不同深度的网络模型中；选取每个网络模型输出的特征图作为缺陷的响应图，采用阈值分割的方法获得手机屏幕缺陷区域位置，最后将不同深度的网络模型的检测结果叠加，以获得最终检测结果。但是该方法不利于提高检测效率。

发明内容

本发明的目的在于提供一种能提高效率和准确率的检测方法。

为解决上述问题而采用了一种提高玻璃表面缺陷检测效率与准确率的方法，，包括如下步骤：

步骤一：提取缺陷样本，输入fster-rcnn目标识别网络训练学习，保存学习后的模型；

步骤二：提取缺陷样本，输入ssd目标检测网络训练学习，保存学习后的模型；

步骤三，提取缺陷样本，输入Yolov3目标检测网络训练学习，保存学习后的模型；

步骤四：使用fster-rcnn目标识别网络训练学习后的模型进行图像检测与识别，得到fster-rcnn目标识别网络的图像检测准确率；

步骤五：使用ssd目标检测网络训练学习后的模型进行图像检测与识别，得到ssd目标检测网络的图像检测准确率；

步骤六：使用Yolov3目标检测网络训练学习后的模型进行图像检测与识别，得到Yolov3目标检测网络的图像检测准确率；

步骤七：比较fster-rcnn目标识别网络的图像检测准确率、ssd目标检测网络的图像检测准确率和Yolov3目标检测网络的图像检测准确率的大小，按准确率从大到小的顺序分配权重，依次记为w1、w2和w3；

步骤八：第1次时，按权重w1：w2：w3＝1:1:1组合fster-rcnn目标识别网络、ssd目标检测网络、Yolov3目标检测网络得到组合分类器来训练得到综合准确率，记为accuracy1；

步骤九：第n≥2次时，按权重w1＝n/(n+1)，w2＝(2/3)(1-n/(n+1))，w3＝(1/3)(1-n/(n+1))组合fster-rcnn目标识别网络、ssd目标检测网络、Yolov3目标检测网络得到组合分类器来训练得到综合准确率，记为accuracy(n)。