[發明專利]一種基于深度學習的缺陷檢測方法及裝置

在審

• 申請號: 201811253447.4
• 申請日: 2018-10-25
• 公開（公告）號: CN109389599A
• 公開（公告）日: 2019-02-26
• 發明（設計）人: 吳雨培;黃耀;張輝;鄭慧偉
• 申請（專利權）人: 北京阿丘機器人科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G01N21/88
• 代理公司: 北京超凡志成知識產權代理事務所(普通合伙) 11371
• 代理人: 鄧超

1.一種基于深度學習的缺陷檢測方法，其特征在于，包括：

獲取包含被檢測對象的圖像數據；

調用預先建立并訓練好的神經網絡模型，根據用戶設定的測試參數、缺陷閾值和所述圖像數據，通過所述測試模型進行計算得到缺陷檢測結果；其中，所述測試參數包括：圖像切分數值；

輸出所述缺陷檢測結果。

2.根據權利要求1所述的方法，其特征在于，所述調用預先建立并訓練好的神經網絡模型，包括：

收集數量超過預設值的包含有被檢測對象的各種缺陷的圖像以及無缺陷的圖像，由所述包含有被檢測對象的各種缺陷的圖像以及無缺陷的圖像構成訓練集和測試集；

對所述訓練集和所述測試集中的包含有被檢測對象的各種缺陷的圖像進行缺陷標注；

對標注后的圖像進行預處理，并根據設置的深度學習訓練參數進行訓練建立卷積神經網絡。

3.根據權利要求2所述的方法，其特征在于，所述根據設置的深度學習訓練參數進行訓練建立的卷積神經網絡，包括：

對建立的卷積神經網絡，通過殘差模塊捕獲圖像中的特征信息；

通過降采樣方式抽象所述特征信息；

基于抽象處理后的特征信息，根據上采樣方式進行處理得到圖像像素級的特征信息；

根據所述圖像像素級的特征信息與標注的缺陷結果之間的差異程度，判斷是否滿足訓練終止條件；

如果滿足，則存儲該訓練后的神經網絡模型。

4.根據權利要求3所述方法，其特征在于，所述判斷是否滿足訓練終止條件后，所述方法還包括：

如果滿足，根據所述測試集和所述訓練完成的神經網絡模型，對所述神經網絡模型的缺陷檢測結果進行量化，得到缺陷標記數、檢測召回數、檢測準確率和檢測召回率。

5.根據權利要求2所述的方法，其特征在于，所述由所述包含有被檢測對象的各種缺陷的圖像以及無缺陷的圖像構成訓練集和測試集，包括：

基于缺陷類別數確定圖像的總分類數；

根據所述圖像的總分類數確定所述訓練集的圖像數量；

根據確定的訓練集的圖像數量將收集的包含有被檢測對象的各種缺陷的圖像以及無缺陷的圖像加入到所述訓練集；

將所述包含有被檢測對象的各種缺陷的圖像以及無缺陷的圖像中的剩余圖像加入到所述測試集。

6.一種基于深度學習的缺陷檢測裝置，其特征在于，包括：

獲取模塊，用于獲取包含被檢測對象的圖像數據；

計算模塊，用于調用預先建立并訓練好的神經網絡模型，根據用戶設定的測試參數、缺陷閾值和所述圖像數據，通過所述測試模型進行計算得到缺陷檢測結果；其中，所述測試參數包括：圖像切分數值；

輸出模塊，用于輸出所述缺陷檢測結果。

7.根據權利要求6所述的裝置，其特征在于，所述計算模塊，包括：

收集單元，用于收集數量超過預設值的包含有被檢測對象的各種缺陷的圖像以及無缺陷的圖像，由所述包含有被檢測對象的各種缺陷的圖像以及無缺陷的圖像構成訓練集和測試集；

標注單元，用于對所述訓練集和所述測試集中的包含有被檢測對象的各種缺陷的圖像進行缺陷標注；

訓練單元，用于對標注后的圖像進行預處理，并根據設置的深度學習訓練參數進行訓練建立卷積神經網絡。

8.根據權利要求7所述的裝置，其特征在于，所述訓練單元，包括：

捕獲子單元，用于對建立的卷積神經網絡，通過殘差模塊捕獲圖像中的特征信息；

抽象子單元，用于通過降采樣方式抽象所述特征信息；

處理子單元，用于基于抽象處理后的特征信息，根據上采樣方式進行處理得到圖像像素級的特征信息；

判斷子單元，用于根據所述圖像像素級的特征信息與標注的缺陷結果之間的差異程度，判斷是否滿足訓練終止條件；

存儲子單元，用于如果滿足，則存儲該訓練后的神經網絡模型。