[发明专利]基于深度学习的光纤插芯缺陷检测方法

权利要求书

1.基于深度学习的光纤插芯表面缺陷检测方法，其特征在于，步骤包括：

（1）创建检测数据集合，要求样本总量大于5000各类缺损样本大于500，良好样本数量大于1000，要求为宽高1:1尺寸统一化的样本图片，并且对样本图片进行分类标注，缺陷种类包括，表面不良，划痕，孔口崩缺，裂纹，破碎，气泡；

（2）通过步骤（1）创造的样本集对初始CNN卷积神经模型进行训练，训练出对光纤插芯表面缺陷敏感的神经网络模型，使其能对良好和存在缺陷的产品进行区分识别，并且能成功识别缺陷类型；

（3）对于存在缺陷的产品，利用传统图像分割检测技术，基于openCV和halcon等开源视觉函数库提供的函数，进行二次缺陷判断，例如划痕的长度，孔口不良率，气泡大小以及数量，裂纹的破损程度和表面不良率，通过深度学习算法和传统特征检测算法的双重判断，达到提高检测准确率，主动控制检测标准，主动控制函数判断值，达到阈值可调节的效果，可以良好的适应不同标准下的产品，提高算法的通用性。

2.根据权利要求1所述的深度学习光纤插芯表面检测方法，基于深度学习检测的部分，其构建过程如下：

（1）对样本图像进行预处理，并且对图像尺寸和格式进行二次检测，出现尺寸或格式不合格的样本时将其删除或替换；

（2）将数据集进行分类，训练集70%,测试集30%，构建卷积神经网络模型可使用GoogLeNet作为初始网络模型，使用训练集样本对模型进行训练，使其提高对光纤插芯表面缺陷的敏感度，本方法使用TensorFlow作为工具语言，TensorFlow的运行流程规定，模型训练过程中会不断的把测试数据集中的图像输入到被训练模型中，并检测模型的精度，设定每次测试选取的图像数量和迭代测试周期，监测学习率α，每个基础步长次的迭代后学习率α都会下降，因此，在当前学习率时，当训练误差不在变化时，就需要适当减小学习率，本方法中将样本分为良好，表面不良，划痕，孔口崩缺，裂纹，破碎，气泡，7种类型，所以需要调整模型中的输出层，GoogLeNet具有22个层级，第一层和第二层为数据层，倒数第四层为输出层，所以将输出层输出参数改为7；

（3）选用softmax分类器函数，可以使目标类别的概率最大化，通过minibatch梯度下降法进行参数最优查找以最小化损失函数，这种组合方式可以在一定程度上控制随机梯度下降法容易陷入局部最优而非全局最优的问题，并且改善了梯度下降法导致的训练缓慢的弊端，提高了训练速度；

（4）本方法所使用的卷积神经网络，其最长的输出路径上具有22个卷积层，并且不包括池化层，ReLU激活函数层和归一化层，首先输入RGB图像，输入数据层date（1，3，512，640），图像高度512，图像宽度640，维度通道3，进入第一卷积层，名为conv1/7*7，卷积核尺寸为7*7，经过特征卷积运算得到输出特征，特征数量为x，不同样本会影响特征数量所以此处特征数量用x表示，然后经过ReLU激活函数层，激活函数用f(x)=max(0,x)作为激活函数来加速收敛，解决梯度了梯度消失问题，激活函数会被用在各个卷积层和全连接层的输出位置，这也是深度学习网络能解决非线性问题的主要原因之一，进入下一层池化层MAXpool层，在此层对输入结果采用3*3的卷和核进行池化，步长为2，求出输出结果特征图边长为y，特征矩阵维度为x*x*y，然后进入归一化层pool1/norml1，其类型为局部响应归一化，第二层卷积层名为conv2/3*3_reduce，卷积核尺寸为1，特征输出维度为x，之后经过ReLU，在进入第三卷积层con3/3*3，卷积核尺寸3*3，特征输出维度为3*x，再输入ReLE激活函数层，而后在进行归一化，经过池化输出，开始进入inception模型网络，inception模型网络作为较早被提出的神经网络被众多模型使用，此模型也是由大量的inception模型构建而成。