[發(fā)明專利]基于深度學習的六面體缺陷檢測方法及介質(zhì)

有效

• 申請?zhí)枺?/td>: 202011107320.9
• 申請日: 2020-10-16
• 公開（公告）號: CN112365443B
• 公開（公告）日: 2021-10-12
• 發(fā)明（設計）人: 陳文吉;曾勝;龔博;喻超凡;朱禮平
• 申請（專利權）人: 珠海市奧德維科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/62;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 俞梁清

1.一種基于深度學習的六面體缺陷檢測方法，其特征在于，該方法包括：

S100，通過攝像裝置采集電子元器件的圖像數(shù)據(jù)，將圖像數(shù)據(jù)轉化為深度學習的圖像矩陣，并歸一化保存于隊列中；其特征在于，所述將圖像數(shù)據(jù)轉化為深度學習的圖像矩陣包括：對不同攝像裝置所采集的圖像的原始數(shù)據(jù)進行多樣化處理，并通過統(tǒng)一接口轉換為深度學習的矩陣結構數(shù)據(jù)；

S200，將圖片數(shù)據(jù)加入批次緩沖，深度學習模塊檢測批次達到檢測個數(shù)并觸發(fā)檢測；Unet模型的訓練包括：S210，將待檢測產(chǎn)品經(jīng)過六面體機器采集圖片，將圖片按照掩膜的方式標注圖像區(qū)域，并進行區(qū)域分類；S220，對圖片進行數(shù)據(jù)擴增和數(shù)據(jù)增強，得到圖片集；S230，將圖片集按照設定比例劃分為訓練集和測試集；S240，獲取標簽數(shù)據(jù)的區(qū)域分類面積，計算區(qū)域分類面積與分類區(qū)域的總面積的比例；S250，通過隨機梯度下降執(zhí)行收斂處理；S260，基于4層下采樣及4層上采樣的Unet模型，對每層相同維度之間進行特征融合，所述Unet模型主體運用了BN層；S270，收斂采用增加權重的softmax交叉熵，其中總loss=權重*分類loss；S280，對Unet模型生成的熱度圖采用softmax和argmax的結合進行分類匯總，計算每個像素點屬于對應分類的概率；

S300，通過Unet模型輸出語義分割結果，根據(jù)語義分割結果執(zhí)行形狀判斷；

S400，根據(jù)判斷結果，通過檢測設備對電子元器件的對應部位進行檢測。

2.根據(jù)權利要求1所述的基于深度學習的六面體缺陷檢測方法，其特征在于，所述數(shù)據(jù)增強包括旋轉角度、增加噪點及動態(tài)生成缺陷圖片。

3.根據(jù)權利要求1所述的基于深度學習的六面體缺陷檢測方法，其特征在于，所述隨機梯度下降通過ADAM或者NADAM優(yōu)化算法實現(xiàn)。

4.根據(jù)權利要求1所述的基于深度學習的六面體缺陷檢測方法，其特征在于，該方法還包括：通過增加批次執(zhí)行多次訓練。

5.根據(jù)權利要求1所述的基于深度學習的六面體缺陷檢測方法，其特征在于，該方法還包括：

基于mxnet深度學習框架，通過.net封裝mxnet深度學習框架的C接口，執(zhí)行深度學習訓練模型靜態(tài)圖的構建。

6.一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)如權利要求1-5任一所述的方法步驟。