[发明专利]基于深度学习的玻璃缺陷分类与检测方法及系统

权利要求书

1.一种基于深度学习的玻璃缺陷分类与检测方法，其特征在于，所述方法应用于计算机设备当中，所述方法包括以下步骤：

S1、获取待分类、待检测的玻璃原始图像；

S2、对所述待分类、待检测的玻璃原始图像进行预处理操作；

S3、基于VGG-16网络并修改网络最后的全连接层，使VGG-16网络能够识别预处理后的玻璃原始图像包含的缺陷数目和缺陷种类；

将VGG-16网络最后的全连接层分出两个分支，分别输出包含的缺陷数目以及缺陷种类；修改全连接层后，损失函数修改为：

其中，L₁表示玻璃缺陷分类网络损失函数的值；表示判断内部等式是否成立的函数，若内部等式成立则为1，否则为0；n表示玻璃包含缺陷种类的数目；y_i表示该玻璃图片是否包含i种缺陷；a_i表示网络预测该玻璃图片包含i种缺陷的概率；y_i^′表示该玻璃图片是否包含第i类缺陷；a^′_i表示网络预测该玻璃图片包含第i类缺陷的概率；

利用VGG-16在大型图像数据库ImageNet的训练结果，结合分段微调策略，对VGG-16的卷积层与全连接层使用不同的学习率来学习得到玻璃缺陷分类网络；调整后的学习策略为：

其中，表示偏微分；θ_conv表示卷积层的所有参数；α_conv表示卷积层训练时的学习率；θ_fc表示全连接层的所有参数；α_fc表示全连接层训练时的学习率；

S4、基于训练后的玻璃缺陷分类网络，进一步训练玻璃缺陷检测网络，包括：

采用编码器解码器结构设计玻璃缺陷检测网络，将训练好的玻璃缺陷分类网络中的卷积层作为编码层，解码层用于不断提高特征图的大小，最终输出与原始输入玻璃图像尺寸一致的玻璃缺陷检测图；玻璃缺陷检测网络的损失函数为：

其中，L₂表示玻璃缺陷检测网络损失函数的值；n表示玻璃缺陷类别数目；表示判断内部等式是否成立的函数；Γ(·)用于计算内部像素最大值所在的维度；(w，h)表示图像像素点位置；W表示图像宽度；H表示图像高度；p_i表示该像素是否包含第i类缺陷；b_i表示网络预测该像素包含第i类缺陷的概率；

S5、通过所述玻璃缺陷检测网络检测玻璃缺陷所在的具体位置与类别，输出检测结果。

2.根据权利要求1所述的基于深度学习的玻璃缺陷分类与检测方法，其特征在于，所述步骤S2包括：将所述玻璃原始图像的尺寸进行裁剪以及缩放。

3.根据权利要求1所述的基于深度学习的玻璃缺陷分类与检测方法，其特征在于，所述步骤S4还包括：利用VGG-16在大型图像数据库ImageNet的训练结果，结合分段微调策略，对玻璃缺陷检测网络中的编码层与解码层采用不同的学习率来训练网络；学习策略为：

其中，θ_enc表示编码层的所有参数；β_enc表示编码层训练时的学习率；θ_dec表示解码层的所有参数；β_dec表示解码层训练时的学习率。

4.根据权利要求1所述的基于深度学习的玻璃缺陷分类与检测方法，其特征在于，所述步骤S5包括：

将所述玻璃图像输入到训练好的玻璃缺陷检测网络中，得到玻璃缺陷检测结果；其中，所述检测结果为图像格式，所述图像的每一个像素值表示原始图像对应位置为无缺陷，或有缺陷及对应的缺陷种类。

5.一种根据权利要求1-4任意一项所述的基于深度学习的玻璃缺陷分类与检测方法的系统，其特征在于，包括：

获取模块，用于获取待分类、待检测的玻璃原始图像；

图像预处理模块，用于对所述待分类、待检测的玻璃原始图像进行预处理操作；

识别模块，用于基于VGG-16网络并修改网络最后的全连接层，使VGG-16网络能够识别预处理后的玻璃原始图像包含的缺陷数目和缺陷种类；

检测模块，用于基于训练后的玻璃缺陷分类网络，进一步训练玻璃缺陷检测网络；

输出模块，用于通过所述玻璃缺陷检测网络检测玻璃缺陷所在的具体位置与类别，输出检测结果。