[发明专利]视觉检测系统的神经网络、及包含它的检测系统和方法

说明书

本发明公开了一种视觉检测系统的神经网络、及包含它的检测系统和方法，本发明的视觉检测系统包括检测部和服务器，服务器包括神经网络，服务器用于对检测部得到的图像进行处理，并将预处理后的图像输入神经网络进行缺陷检测。还包括上料部和出料部，在上料部和出料部中间设置有检测部，检测部包括依次设置的第一检测区、第二检测区和第三检测区，第一检测区包括第一检测相机和第一龙门架，在第一龙门架上设置有第一轨道，还包括与第一轨道相滑接的第一滑块，和与第一滑块连接的第一吸盘，第一吸盘用于吸附待检测的陶瓷基板，第一检测相机朝上设置，且第一吸盘的移动轨迹位于第一检测相机的上方。本发明的视觉检测系统检测精度高，检测速度快。

技术领域

本发明涉及视觉检测技术领域，具体涉及一种视觉检测系统的神经网络、及包含它的检测系统和方法。

背景技术

在陶瓷基板的生产过程中，由于生产工艺的不确定性，会导致陶瓷基板出现有裂纹或是在其侧面平整度不够的情况，因而，需要对陶瓷基板进行外观检测。虽然目前已有利用CCD相机进行识别的检测系统，但是，现有的检测系统无法做到对陶瓷基板表面的缺陷的精准识别。而且，在需要对陶瓷基板的各个表面都需要进行检测时，现有的视觉检测系统大多存在检测效率低或是需要较多的人工介入，由此造成对陶瓷基板的检测效率不高，检测精度较低。

发明内容

为克服上述缺点，本发明的目的在于提供一种陶瓷基板的视觉检测系统，其能实现对陶瓷基板的上下表面和各个侧面的快速拍照，大幅提高对陶瓷基板的检测效率，并能对陶瓷基板的缺陷进行精准计算和识别。

本发明的用于陶瓷基板的视觉检测系统的神经网络，包括：

(1)输入层:向所述输入层输入的图片大小为224*224，对输入的图像使用卷积核为3，步长为2的卷积层缩小特征矩阵的尺寸，然后使用批标准化和激励函数RELU6提取特征矩阵D1；

(2)多次使用下采样层提取图像的特征，并缩小特征矩阵的尺寸，分别得到特征矩阵D2，D3，D4和D5；

(3)利用上采样层处理步骤(2)得到的特征矩阵D2得到S1_1，然后将S1_1与D1进行相加实现跨层连接；

(4)使用与步骤(3)相同的方法分别获得S1_2、S1_3、S2_1、S2_2和C3；

(5)对步骤(2)得到的特征矩阵D4使用软注意力计算层计算得到特征矩阵A1，然后A1与D5经过上采样层后得到的特征矩阵相乘实现特征的权重赋值，并得到特征矩阵U4；

(6)对步骤(4)得到特征矩阵S2_2使用软注意力计算层计算得到特征矩阵A2，然后A2与D3经过上采样层后得到的特征矩阵相乘实现特征的权重赋值，并得到特征矩阵U2；

(7)对U2经过上采样层后得到的特征矩阵与S1_3相加实现跨层连接，并生成特征矩阵U1；

(8)对U1使用二次线性内插法缩放特征矩阵的尺寸与输入矩阵尺寸一致，并使用卷积核为1的卷积层生成最终的特征矩阵，

所述下采样层是通过首先使用卷积核为3，步长为2的卷积层缩小特征矩阵的尺寸，然后使用批标准化和激励函数RELU6提取特征map，然后使用卷积核为3，步长为1的卷积层进一步提取特征，

所述上采样层是通过首先使用二次线性内插法扩大两倍特征矩阵的尺寸，然后使用卷积核为1的卷积层提取特征map，最后使用批标准化和激励函数RELU6来减小梯度弥散，提升训练速度；

所述软注意力计算层是通过首先使用卷积核为3的卷积层提取特征矩阵然后使用sigmoid函数计算特征权重。

本发明的基于神经网络的陶瓷基板的视觉检测系统包括检测部和服务器，所述服务器包括前述的神经网络，所述服务器用于对检测部得到的图像进行处理，并将预处理后的图像输入神经网络进行缺陷检测。