[發(fā)明專(zhuān)利]基于視覺(jué)的無(wú)缺陷樣本深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201911085284.8
• 申請(qǐng)日: 2019-11-08
• 公開(kāi)（公告）號(hào): CN110852373A
• 公開(kāi)（公告）日: 2020-02-28
• 發(fā)明（設(shè)計(jì)）人: 許琦;何志權(quán);何志海
• 申請(qǐng)（專(zhuān)利權(quán)）人: 深圳市深視創(chuàng)新科技有限公司
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62;G06N3/08;G06T7/00
• 代理公司: 深圳市中智立信知識(shí)產(chǎn)權(quán)代理有限公司 44427
• 代理人: 丁麗琴

本發(fā)明提供了一種基于視覺(jué)的無(wú)缺陷樣本深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練方法，包括：將產(chǎn)品的原始數(shù)據(jù)及以往缺陷庫(kù)中的缺陷進(jìn)行融合，從而得到產(chǎn)品缺陷數(shù)據(jù)；構(gòu)建深度學(xué)習(xí)網(wǎng)絡(luò)；把訓(xùn)練數(shù)據(jù)放入所述網(wǎng)絡(luò)中訓(xùn)練，網(wǎng)絡(luò)輸出端則是相應(yīng)無(wú)缺陷的產(chǎn)品，訓(xùn)練模型，以學(xué)習(xí)到具有過(guò)濾缺陷能力的網(wǎng)絡(luò)模型；通過(guò)對(duì)網(wǎng)絡(luò)模型的輸入端和輸出端做一個(gè)簡(jiǎn)單的差值得到結(jié)果圖；對(duì)結(jié)果圖設(shè)置一定的閾值即可得到產(chǎn)品是否有缺陷、以及對(duì)應(yīng)的缺陷位置和大小信息。本發(fā)明避免了收集標(biāo)記數(shù)據(jù)的時(shí)間和人力導(dǎo)致的生產(chǎn)效率降低問(wèn)題，進(jìn)一步地與深度學(xué)習(xí)算法相結(jié)合，可以自動(dòng)過(guò)濾缺陷，從而利用輸入端與輸出端的差值確定出缺陷信息。

技術(shù)領(lǐng)域

本發(fā)明涉及缺陷檢測(cè)識(shí)別領(lǐng)域，特別涉及一種基于視覺(jué)的無(wú)缺陷樣本深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練方法。

背景技術(shù)

在工業(yè)生產(chǎn)線(xiàn)上，為保證產(chǎn)品質(zhì)量良好無(wú)缺陷，經(jīng)常需要人工檢視或利用傳統(tǒng)算法(顏色或輪廓匹配等)或深度學(xué)習(xí)算法篩選缺陷不良品。人工檢視會(huì)受到工人離職、培訓(xùn)、假期等方面的因素制約進(jìn)而導(dǎo)致生產(chǎn)成本高昂、生產(chǎn)效率不高。

對(duì)于傳統(tǒng)算法而言其致命缺點(diǎn)是算法適用性不夠，產(chǎn)品的顏色或形狀或大小等輕微變化都極可能導(dǎo)致之前開(kāi)發(fā)的傳統(tǒng)算法不再適用于新的產(chǎn)品，需要專(zhuān)業(yè)的算法人員持續(xù)跟進(jìn)開(kāi)發(fā)算法，導(dǎo)致傳統(tǒng)算法的維護(hù)周期長(zhǎng)和維護(hù)成本高昂。

由于深度學(xué)習(xí)算法具有開(kāi)發(fā)周期短、算法適應(yīng)能力極強(qiáng)、極高的準(zhǔn)確率等優(yōu)點(diǎn)，深度學(xué)習(xí)算法已廣泛應(yīng)用于工業(yè)生產(chǎn)檢測(cè)中。一般來(lái)說(shuō)其基本操作流程如下，在生產(chǎn)產(chǎn)品檢測(cè)之前首先需要收集大量有缺陷產(chǎn)品數(shù)據(jù)和無(wú)缺陷產(chǎn)品數(shù)據(jù)，然后進(jìn)行相應(yīng)的數(shù)據(jù)標(biāo)簽標(biāo)記，最后訓(xùn)練模型應(yīng)用于生產(chǎn)線(xiàn)上。

然而，前兩步的工作就需要消耗大量的人力和時(shí)間，并不能做到深度網(wǎng)絡(luò)模型的快速替換，這就在一定程度上降低生產(chǎn)效率。對(duì)于產(chǎn)品缺陷出現(xiàn)的概率極小，收集大量的缺陷數(shù)據(jù)就極不現(xiàn)實(shí)，這種操作流程的深度學(xué)習(xí)算法將不再適用，同時(shí)收集標(biāo)記數(shù)據(jù)的時(shí)間和人力導(dǎo)致的生產(chǎn)效率降低問(wèn)題也讓很多工業(yè)生產(chǎn)商對(duì)深度學(xué)習(xí)算法敬而遠(yuǎn)之。針對(duì)這種情況，本發(fā)明提出的算法將解決不受到這些方面的制約。

發(fā)明內(nèi)容

本發(fā)明提供了一種基于視覺(jué)的無(wú)缺陷樣本深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練方法，以解決至少一個(gè)上述技術(shù)問(wèn)題。

為解決上述問(wèn)題，作為本發(fā)明的一個(gè)方面，提供了一種基于視覺(jué)的無(wú)缺陷樣本深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練方法，包括：

步驟1，將產(chǎn)品的原始數(shù)據(jù)及以往缺陷庫(kù)中的缺陷進(jìn)行融合，從而得到產(chǎn)品缺陷數(shù)據(jù)；

步驟2，構(gòu)建深度學(xué)習(xí)網(wǎng)絡(luò)；

步驟3，把訓(xùn)練數(shù)據(jù)放入所述網(wǎng)絡(luò)中訓(xùn)練，網(wǎng)絡(luò)輸出端則是相應(yīng)無(wú)缺陷的產(chǎn)品，訓(xùn)練模型，以學(xué)習(xí)到具有過(guò)濾缺陷能力的網(wǎng)絡(luò)模型；

步驟4，通過(guò)對(duì)網(wǎng)絡(luò)模型的輸入端和輸出端做一個(gè)簡(jiǎn)單的差值得到結(jié)果圖；

步驟5，對(duì)結(jié)果圖設(shè)置一定的閾值即可得到產(chǎn)品是否有缺陷、以及對(duì)應(yīng)的缺陷位置和大小信息。

優(yōu)選地，所述步驟中，將所述缺陷與原始數(shù)據(jù)通過(guò)高斯模糊方法進(jìn)行融合。

優(yōu)選地，所述深度學(xué)習(xí)網(wǎng)絡(luò)通過(guò)Encoder-Decoder模型構(gòu)建。

優(yōu)選地，該網(wǎng)絡(luò)的Encoder和Decoder模塊之間通過(guò)Fpn算法連接以進(jìn)一步降低網(wǎng)絡(luò)的信息損失。

由于采用了上述技術(shù)方案，本發(fā)明不需要消耗大量的人力和時(shí)間去收集缺陷數(shù)據(jù)及無(wú)缺陷數(shù)據(jù)，也不需要進(jìn)行數(shù)據(jù)標(biāo)簽標(biāo)記，避免了收集標(biāo)記數(shù)據(jù)的時(shí)間和人力導(dǎo)致的生產(chǎn)效率降低問(wèn)題，進(jìn)一步地與深度學(xué)習(xí)算法相結(jié)合，可以自動(dòng)過(guò)濾缺陷，從而利用輸入端與輸出端的差值確定出缺陷信息。

附圖說(shuō)明

圖1示意性地示出了本發(fā)明的流程圖。

具體實(shí)施方式