[发明专利]一种基于深度学习的磁芯表面缺陷的检测方法

权利要求书

1.一种基于深度学习的磁芯表面缺陷的检测方法，其特征在于，该方法具体包括如下步骤：

S1：采集所有磁芯的正反面图像，并进行预处理，提升图片中缺陷部分的对比度；然后将图片中的缺陷部位提取出来，转成64*64大小的图片，形成图像集合X＝{x₁，x₂，x₃…x_n}，n为图像的数量；

S2：将图像集合X通过引入高斯混合模型优化后的深度卷积对抗生成网络进行训练，建立图像生成网络G和判别网络D，对图像生成网络G参数θ_g和判别网络D的参数θ_d进行训练，生成新的缺陷图像；

S3：将S2生成的新的缺陷图像与无缺陷的完整磁芯图像相融合，得到带有若干缺陷的融合后磁芯图像；

S4：将S3得到的融合后磁芯图像与S1中采集的磁芯的正反面图像混合，形成扩增数据集，并对数据集中的图像标注磁芯在图像中的位置和图像中的缺陷种类，然后将数据集划分为训练集和验证集；

S5：采用所述训练集对YOLO-v3网络模型进行训练，得到优化的YOLO-v3网络模型，作为磁芯表面缺陷检测模型；

S6：将待检测的磁芯图像输入磁芯表面缺陷检测模型中，模型输出待检测的磁芯图像中的缺陷的类别和位置信息。

2.根据权利要求1所述的基于深度学习的磁芯表面缺陷的检测方法，其特征在于，所述S2具体包括如下子步骤：

S2.1：随机生成均匀噪声，一种噪声对应磁芯的一类缺陷，噪声各维均值μ＝{μ₁，μ₂，μ₃…μ_K}，噪声间协方差对角矩阵σ＝[σ_j1，σ_j2，σ_j3…σ_jK]，通过均值μ和协方差对角矩阵σ构建高斯混合模型；

所述高斯混合模型的概率密度函数如下：

其中，N(z|μ_k，∑_k)为第k个高斯模型的概率密度函数，μ_k为高斯分布的均值向量，∑_k为协方差矩阵，K为自变量的维数，ω_k为第k个高斯模型的权重，且满足

S2.2：初始化深度卷积对抗生成网络中的图像生成网络G和判别网络D的参数θ_g和θ_d；

S2.3：将S2.1的高斯混合模型输出的复杂噪声输入图像生成网络G中，得到n张生成缺陷图像集合再将S1中得到的图像集合X＝{x₁，x₂，x₃…x_n}和缺陷图像集合输入判别网络D中，判别图像真伪，并将输出的D(x_i)和反馈给生成网络G，由图像生成网络G更新自身参数θ_g后，继续噪声生成缺陷图像；

重复上述操作，并根据如下的目标函数进行多次优化训练，从而得到优化后的生成网络G；

优化训练过程中，参数θ_g和θ_d通过如下公式进行自身的更新：

其中，表示目标函数关于参数θ_d的梯度，表示目标函数关于参数θ_g的梯度，ω表示学习率；

S2.4：将S2.1的高斯混合模型输出的复杂噪声输入优化后的生成网络G，输出缺陷部位的图片，每个图片中的缺陷为单一缺陷，从而得到新的缺陷图片集合。