[发明专利]一种基于深度学习的笔记本外观瑕疵分割方法

权利要求书

1.一种基于深度学习的笔记本外观瑕疵分割方法，其特征在于，包括以下步骤：

步骤一：采集训练样本，制作数据集，使用数据集训练深度学习模型，训练模型至收敛；

步骤二：采集目标图像，使用最大类间方差法分割出图像的前景与背景；

步骤三：进行连通域分析找到面积最大的连通域，再以区域为中心将图像裁剪为目标大小进行输入；

步骤四：修改Res50的结构，将Res4和Res5的卷积模块用可形变卷积替代，固定之前层的参数不变，重新训练Res4以及Res4之后的层的参数；

步骤五：对数据集中的目标框进行K-Means聚类获取搜索框大小的先验知识；

步骤六：调整裁剪好的图像的大小，输入深度学习模型；

步骤七：通过深度学习模型对笔记本外观瑕疵进行判别并输出推理结果到上位机显现。

2.根据权利要求1所述的一种基于深度学习的笔记本外观瑕疵分割方法，其特征在于：所述步骤一中的数据集包括若干样本图像和每个样本图像所对应的标注信息，其中标注信息包含图像中检测目标的类别、分割掩码和框选位置，框选位置表示为(x，y，w，h) ，x是目标框的横坐标，y是目标框的纵坐标，w是目标框的宽度，h是目标框的长度，分割掩码则是该目标框中实际检测对象的轮廓。

3.根据权利要求1所述的一种基于深度学习的笔记本外观瑕疵分割方法，其特征在于：所述步骤四中的可形变卷积主要在原有的卷积单元中增加了x和y方向偏移量的学习，对卷积核的大小及位置进行动态调整，可形变卷积的输入为经过标准卷积后的feature map，后在该feature map上进行卷积操作，生成N个2维的偏置量(△x,△y)，再分别对输入featuremap上各个点的值进行修正，设feature map为P，即P(x,y)=P(x+△x,y+△y)，当x+△x为分数时，使用双线性插值计算P(x+△x,y+△y)，形成N个feature map，然后使用N个卷积核一一对应进行卷积得到输出。

4.根据权利要求1所述的一种基于深度学习的笔记本外观瑕疵分割方法，其特征在于：在训练深度学习模型之前，对RPN网络候选区域的搜索框的大小进行设定。

5.根据权利要求1所述的一种基于深度学习的笔记本外观瑕疵分割方法，其特征在于：所述步骤五中的候选框大小为322、642、1282，候选框的长宽比为1:1、1:3以及 3:1。