[发明专利]基于深度学习的通用印刷缺陷检测方法及其模型

权利要求书

1.一种基于深度学习的通用印刷缺陷检测方法，包括以下步骤：

S1：获取缺陷印刷图像和对应的模板图像，进行初匹配；

S2：对获取的缺陷图像进行人工标注，生成训练样本集，并对生成的训练样本集进行预处理；

S3：搭建基于深度学习的卷积神经网络；

S4：利用训练样本集离线训练深度学习算法；

S5：将待检测后的缺陷图像和模板图像输入至预先训练好的印刷缺陷检测模型中进行检测，得出检测结果。

2.根据权利要求1所述的基于深度学习的通用印刷缺陷检测方法，其特征在于，在步骤S1中，初匹配的具体步骤包括：

采用平均绝对差算法，选取缺陷图像印刷定位点位置局部图像块，遍历模板图像对应位置上下左右50像素以内的相同尺寸的图像块，使用平均绝对差公式计算其与定位点局部图像块的相似度；

找到与定位点局部图像块最相似的位置作为最终匹配结果，根据偏移量调整缺陷图像的位置，完成初匹配。

3.根据权利要求1所述的基于深度学习的通用印刷缺陷检测方法，其特征在于，在步骤S2中，人工标注为生成一张与缺陷图像同样大小的的二值图像，对处于缺陷位置的像素值及不是缺陷位置的像素值分别进行标记，得到标签图片。

4.根据权利要求1所述的基于深度学习的通用印刷缺陷检测方法，其特征在于，在步骤S2中，预处理的具体步骤包括：

随机对所述训练样本集进行上下左右翻转，随机变换图像的对比度，对比度值取0.8到1.2的随机数，对得到的训练图片进行归一化处理。

5.根据权利要求1所述的基于深度学习的通用印刷缺陷检测方法，其特征在于，步骤S3的具体步骤包括：

S301：搭建共享参数的双分支特征提取模块；

S302：搭建特征互相关层模块；

S303：搭建像素分类模块。

6.根据权利要求5所述的基于深度学习的通用印刷缺陷检测方法，其特征在于，所述双分支特征提取模块的两个分支采用相同的特征提取网络结构，且参数保持一致。

7.根据权利要求6所述的基于深度学习的通用印刷缺陷检测方法，其特征在于，所述双分支特征提取网络结构采用resnet18的前17个卷积层单元，每个卷积层单元由卷积层、批归一化层和线性整流激活函数构成。

8.根据权利要求5所述的基于深度学习的通用印刷缺陷检测方法，其特征在于，所述特征互相关层模块采用互相关算子计算两个输入特征的局部区域的相关性，从两个输入特征图中分别取一个局部特征块，计算相关系数，作为当前位置的输出值。

9.根据权利要求1所述的基于深度学习的通用印刷缺陷检测方法，其特征在于，步骤S5的具体步骤包括：

将待检测的印刷图片和模板图片进行初匹配，初匹配后进行图像归一化处理，随后送入训练好的印刷检测模型中进行检测，网络输出0到1的概率图，根据预设的阈值，概率大于阈值的表示该位置为缺陷，概率小于阈值的表示该位置不是缺陷，得到检测的结果。

10.一种基于深度学习的通用印刷缺陷检测模型，其特征在于，主要包括：

双分支特征提取网络，包括两个具有相同网络结构且参数保持一致的分支，分别用于提取待检缺陷印刷图片和对应模板图片的特征；

特征互相关层模块，采用互相关算子计算所述双分支特征提取网络提取的两个输入特征的局部区域的相关性；

像素分类模块，用于对所述特征互相关层模块计算后的特征中的每个像素，输出一个判断为缺陷的概率。