[发明专利]基于深度学习的光纤插芯缺陷检测方法

说明书

本发明涉及一种基于深度学习的光纤插芯表面缺陷检测方法，本方法创新点在于将深度学习缺陷检测算法和传统缺陷检测算法联合使用，实现严格度可控的缺陷检测方法，增加通用性，通过使用CNN卷积神经网络对检测出的光纤插芯表面缺陷进行分类，在通过传统的特征检测缺陷识别，例如，划痕长度，缺损大小，中心圆孔的完整度等，再次判断被检测样品是否合格，通过调整特征检测算法的判断条件来达到控制识别阈值的目的，以此满足不同企业产品生产的不同标准，本方法具有，计算效率高，鲁棒性强，精确度高，阈值可调，适用范围广等优点。

技术领域

本发明涉及一种光纤插芯表面缺陷检测的方法，运用了深度学习算法的自适应和高精确的特性，同时结合了传统特征检测算法判断条件可调节，适用性高的优点。

背景技术

随着网络技术的飞速发展，光纤作为网络通信最重要的载体，承载着世界信息交流的使命，光纤插芯作为连接光纤之间的桥梁，其重要性自然不言而喻，光纤插芯生产的质量就是确保信息传递效率的重要问题之一，目前光纤插芯的生产厂家众多，标准繁多，检测的方法也各不相同，有使用人工目视检测的，抽查检测，或者传统的特征识别检测，为提高光纤插芯出厂的合格率，发明一种准确率高，适用性强的算法据有重大意义。

传统检测算法，对于缺陷特征的识别率有限，尤其是对缺陷种类进行区分时，难度巨大，光纤插芯陶瓷截断面在烧制，切割时产生的缺陷和瑕疵种类繁多，并且这些缺陷不是单一存在，有可能会混合出现，缺陷种类的界限不清晰，传统算法即使检测出不合格产品，厂家也不能有针对性的对生产工序进行调整；而单纯的深度学习检测算法虽然有着很高的准确率，但因基于有限的样本，和深度学习神经网络带的自适应性，并不能人为的对判断条件进行及时的修改，改变判断条件只能重新选取样本，重新训练神经网络模型，这就对用户的使用造成了不必要的麻烦。

基于深度学习的此方法结合了传统算法判断条件可控的优点，对深度神经网络检测分类后的样品进行了二次检测，添加了可控的判断条件，结合了深度学习算法的优点，同时实现了传统算法的判断条件可控，在保证算法精确度高的情况下，提高了此方法的通用性。

发明内容

本发明主要目的在于提供一种精确度高，通用性强的可以适应不同生产标准的光纤插芯表面缺陷检测的方法。

本发明的构建方案：

基于深度学习的光纤插芯表面缺陷检测方法参见图1，构建过程如下：

（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，缺损种类包括，表面不良，划痕，孔口崩缺，裂纹，破碎，气泡，将合格数据集进行分类，训练集80%,校验集20%；