[发明专利]一种基于深度学习的接箍外壁检测方法及系统

权利要求书

1.一种基于深度学习的接箍外壁检测方法，其特征在于，包括如下步骤：

获取缺陷样本集，对缺陷样本集中的缺陷位置进行标注，所述缺陷样本集由多个均具有缺陷的原始接箍外壁图像组成；

将缺陷样本集中的每个原始接箍外壁图像均划分为m个网格，分别获取待检测目标所处的网格作为候选框；

将候选框输入已构建完成的神经网络模型中，输出携带有权重参数的模型，对携带有权重参数的候选框进行计算，得到并保存用于匹配样本缺陷位置的模型，完成对神经网络模型的训练；

通过已训练完成的神经网络模型对实际生产中的待检测图像进行缺陷检测，输出标识出缺陷位置的待检测图像；

在将候选框输入已构建完成的神经网络模型中，输出携带有权重参数的模型，对携带有权重参数的候选框进行计算，得到并保存用于匹配样本缺陷位置的模型，完成对神经网络模型的训练之后，包括：

重新将缺陷样本集中的每个原始接箍外壁图像均划分为n个网格，分别获取待检测目标所处的网格作为候选框，其中n不等于m；

将候选框输入已构建完成的神经网络模型中，输出携带有权重参数的模型，对携带有权重参数的候选框进行计算，得到并保存用于匹配样本缺陷位置的模型，完成对神经网络模型的训练；

通过已训练完成的神经网络模型对实际生产中的待检测图像进行缺陷检测，输出标识出缺陷位置的待检测图像，实现接箍外壁的多尺度检测；

在将候选框输入已构建完成的神经网络模型中，输出携带有权重参数的模型，对携带有权重参数的候选框进行计算，得到并保存匹配样本缺陷位置的模型，完成对神经网络模型的训练之后，包括：

获取训练样本集，训练样本集中由多个均具有缺陷的原始接箍外壁图像组成；

将训练样本集输入到已训练完成的神经网络模型中，分别输出标识出缺陷位置的图像；

对标识出缺陷位置的图像进行正确率验证，以验证神经网络模型；

当正确率不大于设定值，则对神经网络模型重新训练后，再进行正确率验证验证；

当正确率大于设定值，则神经网络模型验证完成；

在将将缺陷样本集中的每个原始接箍外壁图像均划分为m个网格，分别获取待检测目标所处的网格作为候选框，具体包括：

获取已标注的缺陷位置所处的网格；

选择缺陷位置所处的网格作为待检测区域，输出待检测区域所处的网格作为候选框；

将候选框输入已构建完成的神经网络模型中，输出携带有权重参数的模型，对携带有权重参数的候选框进行计算，得到并保存用于匹配样本缺陷位置的模型，完成对神经网络模型的训练，其中，对携带有权重参数的候选框进行计算，具体包括：

获取携带有权重参数的候选框所处网格的目标类别；

将携带有权重参数的候选框与所处网格的目标类别的乘积最大值作为携带有权重参数的候选框的类别，将携带有权重参数的候选框的类别作为所述接箍外壁图像缺陷位置的置信度；

利用置信度与非极大值抑制过滤冗余边框，得到用于匹配样本缺陷位置的模型；

在将候选框输入已构建完成的神经网络模型中，输出携带有权重参数的模型，对携带有权重参数的候选框进行计算，得到并保存用于匹配样本缺陷位置的模型，完成对神经网络模型的训练中，通过外设优化参数优化训练神经网络模型，优化参数包括：学习率、网络层数、网络层节点数、输入的数据量、词向量embedding大小和正负样本比例；

采用labeling对缺陷样本集中的缺陷位置进行缺陷标注。