[發(fā)明專利]一種應(yīng)用于機(jī)箱表面劃痕檢測的深度卷積神經(jīng)網(wǎng)絡(luò)方法

在審

• 申請?zhí)枺?/td>: 201810761940.0
• 申請日: 2018-07-11
• 公開（公告）號: CN108986090A
• 公開（公告）日: 2018-12-11
• 發(fā)明（設(shè)計）人: 宋麗梅;林文偉;郭慶華
• 申請（專利權(quán)）人: 天津工業(yè)大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06T3/40
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.本發(fā)明所設(shè)計的深度卷積神經(jīng)網(wǎng)絡(luò)方法，其特征是：對機(jī)箱表面圖像進(jìn)行劃痕檢測，步驟如下：

步驟1：選取含有機(jī)箱表面劃痕圖像的數(shù)據(jù)集，所述的機(jī)箱表面劃痕圖像數(shù)據(jù)集包含輸入圖像X張，標(biāo)簽圖像X張，測試圖像Y張，將所述的數(shù)據(jù)集的圖像大小統(tǒng)一設(shè)置為3通道像素值為512×512的圖像；

步驟2：深度卷積神經(jīng)網(wǎng)絡(luò)模型的第一層輸入層參數(shù)I₁＝m₁×m₁×n₁，設(shè)置m₁＝512，n₁＝3；

步驟3：步驟2中所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型的第二層卷積層參數(shù)C₁＝m₂×m₂×n₂，設(shè)置m₂＝3，n₂＝16，所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型第二層卷積層的輸出為C_out1；

步驟4：步驟2中所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型的第三層池化層參數(shù)P₁＝m₃×m₃×n₃，設(shè)置m₃＝2，n₃＝1；

步驟5：步驟2中所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型的第四層卷積層參數(shù)C₂＝m₄×m₄×n₄，設(shè)置m₄＝3，n₄＝32，所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型第四層卷積層的輸出為C_out2；

步驟6：步驟2中所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型的第五層池化層參數(shù)P₂＝m₅×m₅×n₅，設(shè)置m₅＝2，n₅＝1；

步驟7：步驟2中所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型的第六層卷積層參數(shù)C₃＝m₆×m₆×n₆，設(shè)置m₆＝3，n₆＝64，所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型第六層卷積層的輸出為C_out3；

步驟8：步驟2中所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型的第七層池化層參數(shù)P₃＝m₇×m₇×n₇，設(shè)置m₇＝2，n₇＝1；

步驟9：步驟2中所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型的第八層卷積層參數(shù)C₄＝m₈×m₈×n₈，設(shè)置m₈＝3，n₈＝128，所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型第八層卷積層的輸出為C_out4；

步驟10：步驟2中所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型的第九層池化層參數(shù)P₄＝m₉×m₉×n₉，設(shè)置m₉＝2，n₉＝1；

步驟11：步驟2中所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型第十層卷積層參數(shù)C₅＝m₁₀×m₁₀×n₁₀，設(shè)置m₁₀＝3，n₁₀＝256，所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型第十層卷積層的輸出為C_out5；

步驟12：步驟2中所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型的第十一層反卷積層參數(shù)D₁＝m_d11×m_d11×n_d11，設(shè)置m_d11＝3，n_d11＝128，所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型第十一層反卷積層的輸出為D_out1，將步驟9中所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型第八層卷積層的輸出C_out4與所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型第十一層反卷積層的輸出D_out1進(jìn)行疊加獲得深度卷積神經(jīng)網(wǎng)絡(luò)模型第十一層的復(fù)合層R₁；

步驟13：步驟2中所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型的第十二層卷積層參數(shù)C₆＝m₁₂×m₁₂×n₁₂，設(shè)置m₁₂＝3，n₁₂＝128；

步驟14：步驟2中所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型的第十三層反卷積層參數(shù)D₂＝m_d13×m_d13×n_d13，設(shè)置m_d13＝3，n_d13＝64，所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型第十三層反卷積層的輸出為D_out2，將步驟7中所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型第六層卷積層的輸出C_out3與上述的深度卷積神經(jīng)網(wǎng)絡(luò)模型第十三層反卷積層的輸出D_out2進(jìn)行疊加獲得深度卷積神經(jīng)網(wǎng)絡(luò)模型第十一層的復(fù)合層R₂；

步驟15：步驟2中所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型的第十四層卷積層參數(shù)C₇＝m₁₄×m₁₄×n₁₄，設(shè)置m₁₄＝3，n₁₄＝64；

步驟16：步驟2中所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型的第十五層反卷積層參數(shù)D₃＝m_d15×m_d15×n_d15，設(shè)置m_d15＝3，n_d15＝32，所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型第十五層反卷積層的輸出為D_out3，將步驟5中所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型第四層卷積層的輸出C_out2與上述的深度卷積神經(jīng)網(wǎng)絡(luò)模型第十五層的反卷積層的輸出D_out3進(jìn)行疊加獲得深度卷積神經(jīng)網(wǎng)絡(luò)模型第十五層的復(fù)合層R₃；

步驟17：步驟2中所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型的第十六層卷積層參數(shù)C₈＝m₁₆×m₁₆×n₁₆，設(shè)置m₁₆＝3，n₁₆＝32；

步驟18：步驟2中所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型的第十七層反卷積層參數(shù)D₄＝m_d17×m_d17×n_d17，設(shè)置m_d17＝3，n_d17＝16，所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型第十七層反卷積層的輸出為D_out4，將步驟3中所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型的第二層卷積層輸出C_out1與上述的深度卷積神經(jīng)網(wǎng)絡(luò)模型的第十七層的反卷積層輸出D_out4進(jìn)行疊加獲得深度卷積神經(jīng)網(wǎng)絡(luò)模型的第十七層的復(fù)合層R₄；

步驟19：步驟2中所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型的第十八層卷積層參數(shù)C₉＝m₁₈×m₁₈×n₁₈，設(shè)置m₁₈＝3，n₁₈＝16；

步驟20：步驟2中所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型的第十九層卷積層參數(shù)C₁₀＝m₁₉×m₁₉×n₁₉，設(shè)置m₁₉＝1，n₁₉＝1，所述的深度卷積神經(jīng)網(wǎng)絡(luò)模型的第十九層卷積層輸出為OUT＝512×512×1；

步驟21：將步驟1中的X張輸入圖像與X張標(biāo)簽圖像導(dǎo)入步驟2至步驟20設(shè)置好的深度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；

步驟22：將步驟1中的Y張測試圖像導(dǎo)入步驟21中訓(xùn)練好的深度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行測試；

步驟23：啟動采集圖像的彩色攝像機(jī)，對機(jī)箱表面圖像進(jìn)行采集；

步驟24：對步驟23中所述的機(jī)箱表面圖像進(jìn)行切割，設(shè)置切割尺寸為512×512；

步驟25：將步驟24中切割好的機(jī)箱表面圖像輸入到步驟22中測試完成的深度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行圖像處理；

步驟26：將步驟25中深度卷積神經(jīng)網(wǎng)絡(luò)模型的輸出圖像進(jìn)行拼接；

步驟27：對步驟26中拼接后的圖像進(jìn)行輪廓查詢，通過最小外矩形將查詢到的輪廓進(jìn)行標(biāo)注；

步驟28：將步驟27中最小外矩形的參數(shù)返回到步驟23中所述的機(jī)箱表面圖像對劃痕進(jìn)行標(biāo)識，完成機(jī)箱表面劃痕檢測。