[发明专利]一种实现飞机蒙皮喷漆表面缺陷检测与分类的方法

权利要求书

1.一种实现飞机蒙皮喷漆表面缺陷检测与分类的方法，其特征在于，包括如下步骤：

S1、采集飞机蒙皮喷漆表面的图像；

S2、基于表面平滑度对步骤S1采集的图像进行二分类缺陷检测，具体如下：

先对步骤S1采集的图像进行高斯滤波、直方图均衡化、Ostu自适应阈值分割和腐蚀的预处理；然后使用Blob对预处理的图像进行块检测，以找到带有缺陷的像素；然后使用信息熵函数对带有缺陷的像素与整个图像的像素进行表面平滑度估计，设置表面平滑度阈值来判定图像是否具有缺陷，将图像分为缺陷图像和非缺陷图像，实现对图像的二分类缺陷检测；

S3、基于精简GoogLeNet卷积神经网络模型对飞机蒙皮喷漆表面缺陷进行多分类检测：具体包括如下步骤：

S31、数据集制作：将采集的飞机蒙皮喷漆表面的图像用于数据集的制作，并将数据集分为训练样本数据集和测试样本数据集；数据集的制作过程中，先由表面喷漆专业工人对采集的图像进行缺陷类型的区分，缺陷类型包括气泡、颗粒、垃圾、流淌、翻边，然后将已经分好的图像分别分为训练样本数据集和测试样本数据集；

S32、构建GoogLeNet卷积神经网络模型：GoogLeNet卷积神经网络模型包括五个层次，五个层次分别为第一层、第二层、第三层、第四层、第五层，其中，第一层和第二层是卷积层，第三层由Inception-A和Inception-B模块组成，第四层由Inception-A、Inception-B、Inception-C、Inception-D和Inception-E模块组成，第五层由Inception-A和Inception-B模块组成；

S33、构建精简GoogLeNet卷积神经网络模型：去除步骤S32中GoogLeNet卷积神经网络模型的Inception-B和Inception-C模块，构建精简GoogLeNet卷积神经网络模型；

构建的精简GoogLeNet卷积神经网络模型依次为：第一卷积层、第二卷积层，第三Inception-A模块、第四Inception-A模块、第四Inception-D模块、第四Inception-E模块、第五Inception-A模块；各卷积层和模块的操作如下：

第一卷积层首先使用7*7的卷积核，卷积核个数为64，然后使用3*3核进行最大池化，滑动步长均为2；

第二卷积层首先使用3*3的卷积核，卷积核个数为192，滑动步长为1，然后使用3*3核进行最大池化，滑动步长为2；

第三Inception-A模块包括四个分支，四个分支具体为：1)使用1*1的卷积核，卷积核个数为64，滑动步长为1；2)首先使用1*1的卷积核，卷积核个数为96，然后使用3*3的卷积核，卷积核个数为128，滑动步长均为1；3)首先使用1*1的卷积核，卷积核个数为16，然后使用5*5的卷积核，卷积核个数为32，滑动步长均为1；4)首先使用3*3核进行最大池化，然后使用1*1的卷积核，卷积核个数为32，滑动步长均为1；最后连结四个分支的输出结果，并继续下一步；

第四Inception-A模块与第三Inception-A模块相同；

第四Inception-D模块与第三Inception-A模块相同；

第四Inception-E模块包括五个分支，五个分支具体为：1)使用1*1的卷积核，卷积核个数为64，滑动步长为1；2)首先使用1*1的卷积核，卷积核个数为96，然后使用3*3的卷积核，卷积核个数为128，滑动步长均为1；3)首先使用1*1的卷积核，卷积核个数为16，然后使用5*5的卷积核，卷积核个数为32，滑动步长均为1；4)首先使用3*3核进行最大池化，然后使用1*1的卷积核，卷积核个数为32，滑动步长均为1；5)首先使用5*5核进行平均池化，滑动步长为3，然后使用1*1的卷积核，卷积核个数为32，滑动步长均为1，然后使用两次全连接层，然后使用Softmax激活函数辅助分类；最后连结前五个分支的输出结果，并继续下一步；

第五Inception-A模块与第三Inception-A模块相同；

各卷积层和模块中，使用卷积核和池化操作后均使用ReLU激活函数；

S34、训练精简GoogLeNet卷积神经网络模型：将训练样本数据集中的图像输入精简GoogLeNet卷积神经网络模型中进行特征识别，获取精简GoogLeNet卷积神经网络模型；

S35、测试精简GoogLeNet卷积神经网络模型：将测试样本数据集输入已经训练好的精简GoogLeNet卷积神经网络模型中，验证准确率；

S36、多分类检测：将步骤S2中二分类出的缺陷图像输入测试后的精简GoogLeNet卷积神经网络模型中，通过精简GoogLeNet卷积神经网络模型实现对飞机蒙皮喷漆表面缺陷的多分类检测；

S4、输出多分类结果，完成飞机蒙皮喷漆表面的缺陷检测与分类。