[发明专利]一种基于卷积神经网络的表面微缺陷检测方法及装置

权利要求书

1.一种基于卷积神经网络的表面微缺陷检测方法，其特征在于，包括以下步骤：

步骤一、采集获取多个元件表面缺陷区域的图像作为图像训练集；

步骤二、对图像训练集进行预处理；

步骤三、将预处理后的图像训练集输入改进的卷积神经网络模型中进行训练，获得训练好的基于卷积神经网络的分割模型；

步骤四、将包含元件表面缺陷区域的待检测图像输入训练好的分割模型中，获得分割结果；所述分割结果包括区分为缺陷区域和其他区域；

步骤五、基于分割结果，计算获得缺陷区域在图像中的位置和尺寸。

2.根据权利要求1所述的一种基于卷积神经网络的表面微缺陷检测方法，其特征在于，步骤二中所述预处理包括：对图像进行二值化处理，将缺陷区域像素标签值标注为1，其他区域像素标签值标注为0；对经过二值化处理的图像训练集进行数据增强处理。

3.根据权利要求2所述的一种基于卷积神经网络的表面微缺陷检测方法，其特征在于，步骤三中所述改进的卷积神经网络模型是对现有的卷积神经网络结构进行改进，改进之处包括：使用深度可分离卷积来代替普通卷积；在卷积过程中使用倒残差结构；编码器和解码器之间通过直接叠加的方式进行连接；采用金字塔池化模块结构用于聚合不同区域的上下文信息。

4.根据权利要求3所述的一种基于卷积神经网络的表面微缺陷检测方法，其特征在于，步骤三中模型训练过程中计算所有像素点的交叉熵并以其平均值作为损失函数J，该值越接近0，表明实际预测图像越接近期望分割图像；所述损失函数计算公式为：

其中，y_i,j表示像素坐标为(i,j)的标签值，取值为0或1；Row,Col分别表示图像的行数和列数；表示像素坐标为(i,j)的预测值，表示该像素位置值为1的置信率。

5.根据权利要求4所述的一种基于卷积神经网络的表面微缺陷检测方法，其特征在于，步骤五中对于分割结果中的缺陷区域，计算包络缺陷区域的最小外接圆，以最小外接圆圆心作为该缺陷区域的像素坐标，以最小外接圆半径作为该缺陷区域像素尺寸，从而获得缺陷区域在图像中的坐标位置和尺寸。

6.一种基于卷积神经网络的表面微缺陷检测装置，其特征在于，包括：

数据获取模块，用于采集获取多个元件表面缺陷区域的图像作为图像训练集；

预处理模块，用于对图像训练集进行预处理；

模型训练模块，用于将预处理后的训练集图像输入改进的卷积神经网络模型中进行训练，获得训练好的基于卷积神经网络的分割模型；

分割处理模块，用于将包含元件表面缺陷区域的待检测图像输入训练好的分割模型中，获得分割结果；所述分割处理模块中分割结果包括区分为缺陷区域和其他区域；

缺陷获取模块，用于基于分割结果，计算获得缺陷区域在图像中的位置和尺寸。

7.根据权利要求6所述的一种基于卷积神经网络的表面微缺陷检测装置，其特征在于，所述预处理模块中预处理包括：对图像进行二值化处理，将缺陷区域像素标签值标注为1，其他区域像素标签值标注为0；对经过二值化处理的图像训练集进行数据增强处理。

8.根据权利要求7所述的一种基于卷积神经网络的表面微缺陷检测装置，其特征在于，所述模型训练模块中改进的卷积神经网络模型是对现有的卷积神经网络结构进行改进，改进之处包括：使用深度可分离卷积来代替普通卷积；在卷积过程中使用倒残差结构；编码器和解码器之间通过直接叠加的方式进行连接；采用金字塔池化模块结构用于聚合不同区域的上下文信息。