[发明专利]一种基于深度学习的笔记本外观瑕疵分割方法

说明书

本发明公开了一种基于深度学习的笔记本外观瑕疵分割方法，包括以下步骤：步骤一：采集训练样本制作数据集，使用数据集训练模型至收敛；步骤二：采集目标图像；步骤三：进行连通域分析找到面积最大的连通域，以该区域为中心将图像裁剪为目标大小进行输入，最大程度上保证了图像的清晰度；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，增强模型的几何变换建模的能力，减少了漏报和误报；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。

技术领域

本发明涉及笔记本外观瑕疵分割领域，特别涉及一种基于深度学习的笔记本外观瑕疵分割方法。

背景技术

随着科技的发展，工业生产的自动化水平也日益提升。在电子器件生产中，提高生产效率的同时，如何提高检测效率成了亟待解决的问题。当前，大部分工厂都采用人工检测的方式进行质检，这样的检测方式受工作人员经验、工作状态等因素的影响，缺乏客观性且工作量大，检测效率低下。传统视觉检测方法用于笔记本外观瑕疵检测算法通常准确率较低，泛化能力较差难以适应工厂环境。因此，基于深度学习的笔记本外观瑕疵分割技术有着重要的现实意义。

为此，我们提出一种基于深度学习的笔记本外观瑕疵分割方法。

发明内容

本发明的主要目的在于提供一种基于深度学习的笔记本外观瑕疵分割方法，可以有效解决背景技术中的大部分代工厂都采用人工检测的方式对笔记本外观瑕疵进行检测，需要大量的人力资源并且检测效率较低下，而基于传统视觉的笔记本外观瑕疵进检测算法，易受外界环境等因素的干扰，针对不同瑕疵特征难以进行统一设计，因而造成检测准确率较低且泛化能力差的问题。

为实现上述目的，本发明采取的技术方案为：

一种基于深度学习的笔记本外观瑕疵分割方法，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，再以该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。

进一步的，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，框选位置可以表示为(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。

进一步的，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feature map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。

进一步的，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。