[發(fā)明專利]基于深度學習的缺陷檢測方法和系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202010312201.0
• 申請日: 2020-04-20
• 公開（公告）號: CN113538323A
• 公開（公告）日: 2021-10-22
• 發(fā)明（設計）人: 王遠;焦健浩;云鵬;穆罕默德·奧斯曼·布塔;孫學斌;劉明
• 申請（專利權）人: 香港科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/13;G06K9/62;G06N3/04;G06N3/08;G01N21/88
• 代理公司: 北京天昊聯(lián)合知識產權代理有限公司 11112
• 代理人: 張娜;顧麗波

1.一種基于深度學習的缺陷檢測方法，包括：

獲得待檢測器件的原始圖像；

對所述原始圖像進行預處理以獲得包括缺陷的裁剪圖像；

通過輕量化卷積神經網絡對所述裁剪圖像進行處理，以檢測所述裁剪圖像中的缺陷，并在所述原始圖像中標注所述缺陷。

2.根據權利要求1所述的缺陷檢測方法，其中，對所述原始圖像進行預處理以獲得包括缺陷的裁剪圖像的步驟包括：

對所述原始圖像進行邊緣檢測以獲取所述原始圖像中存在的邊緣；

對所述邊緣進行角點檢測，以獲取所述邊緣中存在的角點；

通過聚類算法對所述角點進行處理以獲取聚類；

計算每個聚類包括的角點的位置的均值，

通過以所述均值為中心點并包括與所述均值對應的聚類中的全部角點的裁剪區(qū)域對所述原始圖像進行裁剪，以獲得包括缺陷的裁剪圖像。

3.根據權利要求2所述的缺陷檢測方法，其中，對所述原始圖像進行預處理以獲得包括缺陷的裁剪圖像的步驟還包括：

對所述原始圖像進行邊緣檢測之前，對所述原始圖像進行濾波。

4.根據權利要求1所述的缺陷檢測方法，其中，通過輕量化卷積神經網絡對所述裁剪圖像進行處理的步驟包括：

通過N個輕量化卷積神經網絡單元對所述裁剪圖像進行N次處理，其中，N為大于等于2的整數；

將第i次處理的結果進行i-1次上采樣，2≤i≤N，其中，第一次處理結果不進行上采樣；

將第一次處理結果和經過上采樣的第二次至第N次處理結果整合作為對所述裁剪圖像的最終處理結果。

5.根據權利要求4所述的缺陷檢測方法，其中，所述N個輕量化卷積神經網絡單元中的每一個包括多個輕量化卷積層和一個池化層。

6.根據權利要求5所述的缺陷檢測方法，其中，所述多個輕量化卷積層中的每一個包括第一卷積層和第二卷積層，所述第一卷積層具有大小為1×1的卷積核，所述第二卷積層具有大小為1×1的卷積核和大小為3×3的卷積核。

7.根據權利要求5所述的缺陷檢測方法，其中，N＝5，對所述裁剪圖像分別進行第一次處理至第三次處理的第一輕量化卷積神經網絡單元至第三輕量化卷積神經網絡單元中的每一個包括兩個輕量化卷積層和一個池化層，對所述裁剪圖像分別進行第四次處理和第五次處理的第四輕量化卷積神經網絡單元和第五輕量化神經網絡單元中的每一個包括三個輕量化卷積層和一個池化層。

8.一種基于深度學習的缺陷檢測裝置，包括：

成像單元，其被配置為獲得待檢測器件的原始圖像；

預處理單元，其被配置為對所述原始圖像進行預處理以獲得包括缺陷的裁剪圖像；

檢測單元，其被配置為通過輕量化卷積神經網絡對所述裁剪圖像進行處理，以檢測所述裁剪圖像中的缺陷，并在所述原始圖像中標注所述缺陷。