[發明專利]一種基于多層卷積神經網絡的相機外殼噴漆檢測系統和方法

在審

• 申請號: 201910968138.3
• 申請日: 2019-10-12
• 公開（公告）號: CN110738648A
• 公開（公告）日: 2020-01-31
• 發明（設計）人: 戴鴻君;于治樓;姜凱
• 申請（專利權）人: 山東浪潮人工智能研究院有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/46;G06K9/62
• 代理公司: 37100 濟南信達專利事務所有限公司
• 代理人: 孫晶偉

1.一種基于多層卷積神經網絡的相機外殼噴漆檢測系統，其特征是所述的檢測系統包括數據收集模塊、模型構造模塊、模型訓練模塊、圖像判定模塊和顯示通知模塊；

數據收集模塊：對采集相機外殼噴漆的圖像數據進行采集；

模型構造模塊利用卷積神經網絡構造圖像識別模型：第一層由卷積層、LEAKY_RELU激活函數和池化層組成，第二層由卷積層、LEAKY_RELU激活函數和池化層組成，第三層由same卷積層和LEAKY_RELU激活函數組成，第四層由same卷積層和LEAKY_RELU激活函數組成，第五層由same卷積層和LEAKY_RELU激活函數組成，第六層由神經元構成的全連接層組成，第七層由神經元構成的全連接層組成，第八層由神經元構成的全連接層組成；

模型訓練模塊：將數據收集模塊收集的圖像數據傳入至模型構造模塊構造的圖像識別模型內進行識別訓練，得到圖像識別模型的成熟模型；

圖像判定模塊：將圖像數據傳入成熟模型內進行圖像判定；

顯示通知模塊：將判定結果進行顯示輸出。

2.根據權利要求1所述的基于多層卷積神經網絡的相機外殼噴漆檢測系統，其特征是還包括預處理模塊，所述數據收集模塊將采集的圖像數據通過預處理模塊處理成數據集，傳至圖像識別模型內。

3.根據權利要求2所述的基于多層卷積神經網絡的相機外殼噴漆檢測系統，其特征是所述預處理模塊對圖像數據進行降噪、歸一化和灰度化的預處理。

4.根據權利要求1-3任一所述的基于多層卷積神經網絡的相機外殼噴漆檢測系統，其特征是所述模型訓練模塊按照留出法進行模型訓練。

5.根據權利要求5所述的基于多層卷積神經網絡的相機外殼噴漆檢測系統，其特征是所述模型訓練模塊使用留出法將數據集分為訓練集和測試集，訓練集用于訓練，使用梯度下降訓練根據在測試集上的效果選擇成熟模型。

6.一種基于多層卷積神經網絡的相機外殼噴漆檢測方法，其特征是步驟如下：

S1采集相機外殼噴漆的圖像數據；

S2由卷積神經網絡構造圖像識別模型：第一層由卷積層、LEAKY_RELU激活函數和池化層組成，第二層由卷積層、LEAKY_RELU激活函數和池化層組成，第三層由same卷積層和LEAKY_RELU激活函數組成，第四層由same卷積層和LEAKY_RELU激活函數組成，第五層由same卷積層和LEAKY_RELU激活函數組成，第六層由神經元構成的全連接層組成，第七層由神經元構成的全連接層組成，第八層由神經元構成的全連接層組成；

S3將S1收集的圖像數據輸入到S2中的圖像識別模型內進行識別訓練，得到成熟模型；

S4將S1收集的圖像數據輸入到S3中的成熟模型內進行運算，得到圖像判定結果；

S5將判定結果顯示輸出。

7.根據權利要求6所述的基于多層卷積神經網絡的相機外殼噴漆檢測方法，其特征是所述S1收集的圖像數據預處理為數據集后傳入至圖像識別模型內。

8.根據權利要求7所述的基于多層卷積神經網絡的相機外殼噴漆檢測方法，其特征是所述數據集進行降噪、歸一化和灰度化的預處理。

9.根據權利要求6-8任一所述的基于多層卷積神經網絡的相機外殼噴漆檢測方法，其特征是所述S3圖像識別模型通過留出法進行模型訓練。

10.根據權利要求9所述的基于多層卷積神經網絡的相機外殼噴漆檢測方法，其特征是所述S3留出法將數據集分成訓練集和測試集，測試集用于訓練，使用梯度下降訓練根據在測試集上的效果選擇成熟模型。