[发明专利]卷积神经网络模型训练方法、加工件缺陷检测方法及装置

权利要求书

1.一种卷积神经网络模型训练方法，其特征在于，包括：

收集原始图像数据集；

对所述原始图像数据集进行数据增强；

对数据集图像进行归一化处理后输入神经网络；

训练卷积神经网络模型：对输入神经网络的图像依次进行如下处理：第一层卷积，批归一化，ReLU激活，第一层池化，第二层卷积，批归一化，ReLU激活，第二层池化，第三层卷积，批归一化，ReLU激活，第三层池化，第一全连接层，第二全连接层，第三全连接层，最后通过softmax进行分类。

2.根据权利要求1所述的卷积神经网络模型训练方法，其特征在于，所述对数据集图像进行归一化处理，包括：

采用如下公式对数据集图像进行归一化处理，公式如下：

其中，x_i为图像的像素值，min(x)、max(x)分别是图像的最小和最大像素值。

3.根据权利要求1所述的卷积神经网络模型训练方法，其特征在于，所述训练卷积神经网络模型时，神经网络各层的参数如下：第一卷积层Conv1，其过滤器大小为5*5，步长为1，第一池化层Max pooling1的过滤器大小为2*2，步长为2；第二卷积层Conv2的过滤器大小为5*5，步长为1，第二池化层Max pooling2的过滤器大小为2*2，步长为2；第三卷积层Conv3的过滤器大小为5*5，步长为1，第三池化层Max pooling3的过滤器大小为2*2，步长为2；第一全连接层节点数：512；第二全连接层节点数：256；第三全连接层节点数：2。

4.根据权利要求1至3之一所述的卷积神经网络模型训练方法，其特征在于，还包括：对训练出的卷积神经网络模型进行量化，将其从32bit转化为8bit后部署在嵌入式开发板中。

5.一种基于卷积神经网络的加工件缺陷检测方法，其特征在于，包括：

采集加工件的图像；

对所述加工件的图像进行预处理，并将预处理后的数据输出给卷积神经网络模型；

利用所述卷积神经网络模型对输入的图像进行加工件缺陷检测；

输出加工件缺陷检测结果；

其中，所述卷积神经网络模型的训练方法包括：

收集原始图像数据集；

对所述原始图像数据集进行数据增强；

对数据集图像进行归一化处理后输入神经网络；

训练卷积神经网络模型：对输入神经网络的图像依次进行如下处理：第一层卷积，批归一化，ReLU激活，第一层池化，第二层卷积，批归一化，ReLU激活，第二层池化，第三层卷积，批归一化，ReLU激活，第三层池化，第一全连接层，第二全连接层，第三全连接层，最后通过softmax进行分类。

6.根据权利要求5所述的基于卷积神经网络的加工件缺陷检测方法，其特征在于，所述对数据集图像进行归一化处理，包括：

采用如下公式对数据集图像进行归一化处理，公式如下：

其中，x_i为图像的像素值，min(x)、max(x)分别是图像的最小和最大像素值。

7.根据权利要求5所述的基于卷积神经网络的加工件缺陷检测方法，其特征在于，所述训练卷积神经网络模型时，神经网络各层的参数如下：第一卷积层Conv1，其过滤器大小为5*5，步长为1，第一池化层Max pooling1的过滤器大小为2*2，步长为2；第二卷积层Conv2的过滤器大小为5*5，步长为1，第二池化层Max pooling2的过滤器大小为2*2，步长为2；第三卷积层Conv3的过滤器大小为5*5，步长为1，第三池化层Max pooling3的过滤器大小为2*2，步长为2；第一全连接层节点数：512；第二全连接层节点数：256；第三全连接层节点数：2。

8.根据权利要求5至7之一所述的基于卷积神经网络的加工件缺陷检测方法，其特征在于，还包括：对训练出的卷积神经网络模型进行量化，将其从32bit转化为8bit后部署在嵌入式开发板中。