[发明专利]一种基于深度学习的缺陷检测3D打印装置及方法

权利要求书

1.一种基于深度学习的缺陷检测3D打印装置，其特征在于：包括机架和打印机喷头，机架上设有对准3D打印机喷头的第一图像采集装置和第二图像采集装置，第一图像采集装置与第二图像采集装置呈相对设置，第一图像采集装置与第二图像采集装置与3D打印机喷头始终位于同一水平面上，第一图像采集装置和第二图像采集装置与带有卷积神经网络的存储器信号连接，存储器与控制器和报警器信号连接。

2.按照权利要求1所述的一种基于深度学习的缺陷检测3D打印装置，其特征在于：机架设有用于放置模型的模型座，模型座设有升降装置，3D打印机喷头设有平面移动装置，模型座及其升降装置设置于平面移动装置的下方，第一图像采集装置和第二图像采集装置均与平面移动装置位于同一水平面上。

3.按照权利要求2所述的一种基于深度学习的缺陷检测3D打印装置，其特征在于：第一图像采集装置设有第一轨道，第一图像采集装置能够沿第一轨道运动，第二图像采集装置设有第二轨道，第二图像采集装置能够沿第二轨道运动，第一轨道和第二轨道围绕3D打印模型外围设置。

4.按照权利要求1所述的一种基于深度学习的缺陷检测3D打印装置，其特征在于：第一图像采集装置和第二图像采集装置均分别设有转动装置，第一图像采集装置和第二图像采集装置转动的角度在0～90°之间。

5.一种基于深度学习的缺陷检测方法，其特征在于：包括如下步骤，

步骤一、首先，使用降采样的训练3D打印模型图像对GoogleNet卷积神经网络进行训练；

步骤二、获取3D打印模型的图像，并将该图像记为第一图像，将得到的第一图像进行降采样，通过降采样降低第一图像的数据量，将降采样处理后的图像记为第二图像；

步骤三、从第二图像获取单元，用于将第二图像输入GoogleNet卷积神经网络的inception模块中进行处理，并将模块中的卷积层的输出输入到激活函数单元中进行处理，在经过inception模块串处理后得到多维特征图，并将该多维特征图记为第三图像；

步骤四、将第三图像输入至回归函数，得到初算概率值，将初算概率值输入至回归函数，得到最终概率值；

步骤五、最终概率值如果大于50％，则做出有缺陷判断，最终概率值如果小于50％，则不做出有缺陷判断。

6.按照权利要求5所述的一种基于深度学习的缺陷检测方法，其特征在于：对图像采用最近邻插值降采样得到分辨率较低的图像。

7.按照权利要求5所述的一种基于深度学习的缺陷检测方法，其特征在于：GoogleNet由多个inception模块串联组成，每个inception包含四个分支，第一个分支是1×1的卷积；第二个是1×1的卷积连着一个3×3的卷积；第三个分支是1×1的卷积连着一个5×5的卷积；最后一个分支是先进行3×3的最大池化处理，然后再使用1×1的卷积；最后通过聚合操作在输出通道上将四个分支的结果进行合并；最大池化处理，把图像划分成多个相同大小的矩形，对其进行最大值提取，作为此矩形的代表取代原来的图像像素矩形。

8.按照权利要求7所述的一种基于深度学习的缺陷检测方法，其特征在于：将降采样后的3D打印模型图像输入卷积神经网络的卷积层进行卷积处理，随机生成一个四维的卷积核对图像进行卷积运算，得到多个特征图，每个特征图提取一种特征，卷积层的表达式；

S(i，j)＝(I*K)(i，j)＝∑_m∑_nI(m，n)K(i-m，j-n) ⑴

式中I表示卷积图像，m，n代表卷积图像的大小，K表示卷积核，i，j代表卷积核的大小。