[发明专利]基于深度学习的六面体缺陷检测方法及介质

权利要求书

1.一种基于深度学习的六面体缺陷检测方法，其特征在于，该方法包括：

S100，通过摄像装置采集电子元器件的图像数据，将图像数据转化为深度学习的图像矩阵，并归一化保存于队列中；其特征在于，所述将图像数据转化为深度学习的图像矩阵包括：对不同摄像装置所采集的图像的原始数据进行多样化处理，并通过统一接口转换为深度学习的矩阵结构数据；

S200，将图片数据加入批次缓冲，深度学习模块检测批次达到检测个数并触发检测；Unet模型的训练包括：S210，将待检测产品经过六面体机器采集图片，将图片按照掩膜的方式标注图像区域，并进行区域分类；S220，对图片进行数据扩增和数据增强，得到图片集；S230，将图片集按照设定比例划分为训练集和测试集；S240，获取标签数据的区域分类面积，计算区域分类面积与分类区域的总面积的比例；S250，通过随机梯度下降执行收敛处理；S260，基于4层下采样及4层上采样的Unet模型，对每层相同维度之间进行特征融合，所述Unet模型主体运用了BN层；S270，收敛采用增加权重的softmax交叉熵，其中总loss=权重*分类loss；S280，对Unet模型生成的热度图采用softmax和argmax的结合进行分类汇总，计算每个像素点属于对应分类的概率；

S300，通过Unet模型输出语义分割结果，根据语义分割结果执行形状判断；

S400，根据判断结果，通过检测设备对电子元器件的对应部位进行检测。

2.根据权利要求1所述的基于深度学习的六面体缺陷检测方法，其特征在于，所述数据增强包括旋转角度、增加噪点及动态生成缺陷图片。

3.根据权利要求1所述的基于深度学习的六面体缺陷检测方法，其特征在于，所述随机梯度下降通过ADAM或者NADAM优化算法实现。

4.根据权利要求1所述的基于深度学习的六面体缺陷检测方法，其特征在于，该方法还包括：通过增加批次执行多次训练。

5.根据权利要求1所述的基于深度学习的六面体缺陷检测方法，其特征在于，该方法还包括：

基于mxnet深度学习框架，通过.net封装mxnet深度学习框架的C接口，执行深度学习训练模型静态图的构建。

6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5任一所述的方法步骤。