[發明專利]一種瓶胚缺陷檢測模型的訓練方法、存儲介質及終端設備

在審

• 申請號: 202011374216.6
• 申請日: 2020-11-30
• 公開（公告）號: CN112419291A
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 段春梅;張濤川;陳肖;支艷利;馬冠川;楊燦明;傅文祝;朱子彬
• 申請（專利權）人: 佛山職業技術學院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06K9/62;G06K9/38;G06N3/04;G06N3/08;G01N21/90
• 代理公司: 深圳市君勝知識產權代理事務所(普通合伙) 44268
• 代理人: 徐凱凱

1.一種瓶胚缺陷檢測模型的訓練方法，其特征在于，包括步驟：

獲取訓練樣本數據，所述訓練樣本數據包括瓶胚的合格圖像以及多類缺陷圖像；

對圖像進行灰度轉換，得到灰度圖像；

對灰度圖像進行灰度統計，得到二值化閾值，根據所述二值化閾值對所述灰度圖像進行二值化分割，得到二值圖像；

對二值圖像進行缺陷識別，并標記缺陷坐標，將標記坐標后的二值圖像轉為預設尺寸的圖像，得到的圖像設為圖像矩陣X，所述預設尺寸的尺寸大小為a1×a1；

對圖像矩陣X進行歸一化處理，生成第一數據集；

通過卷積神經網絡構建第一模型；

在所述第一數據集上訓練第一模型，當達到迭代次數時，訓練結束，保存訓練完成的第一模型。

2.根據權利要求1所述的一種瓶胚缺陷檢測模型的訓練方法，其特征在于，所述對二值圖像進行缺陷識別，并標記缺陷坐標，將標記坐標后的二值圖像轉為預設尺寸的圖像中，所述預設尺寸的尺寸大小為a1×a1＝227×227。

3.根據權利要求1所述的一種瓶胚缺陷檢測模型的訓練方法，其特征在于，所述對圖像矩陣X進行歸一化處理，具體包括步驟：

采用mapminmax函數對圖像矩陣X進行歸一化處理，設y為歸一化處理后的圖像數據，設x為歸一化處理前的圖像數據的某一個元素，x_max為歸一化處理前的圖像數據中的最大值，x_min為歸一化處理前的圖像數據的最小值；

y＝(y_max-y_min)×(x-x_min)/(x_max-x_min)+y_min

其中，y_max＝1，y_min＝-1。

4.根據權利要求1所述的一種瓶胚缺陷檢測模型的訓練方法，其特征在于，所述通過卷積神經網絡構建第一模型，具體包括步驟：

所述卷積神經網絡結構從輸入到輸出依次為：輸入層、第一卷積層、第一池化層、第二卷積層、第二池化層、全連接層和輸出層；

輸入層所輸入的圖像大小與預設尺寸相同；

所述第一卷積層采用b2個尺寸為b3×b3的卷積核，所述第一卷積層以層次b1對圖像進行卷積操作，提取圖像特征圖譜并輸出第一特征圖譜至第一池化層；

所述第一池化層的比例為c1，所述第一池化層的尺寸為c2×c2，第一池化層對第一特征圖譜進行降采樣，并輸出第二特征圖譜至第二卷積層；

所述第二卷積層采用d2個尺寸為d3×d3的卷積核，所述第二卷積層以層次d1對第二特征圖譜進行卷積操作，提取圖像特征圖譜并輸出第三特征圖譜至第二池化層；

所述第二池化層的比例為e1，所述第二池化層的尺寸為e2×e2，第二池化層的對第三特征圖譜進行降采樣，并輸出第四特征圖譜至全連接層；

所述全連接層將第二池化層所輸出的第四特征圖譜轉化為一維向量并輸出至輸出層；

所述輸出層輸出檢測結果。

5.根據權利要求4所述的一種瓶胚缺陷檢測模型的訓練方法，其特征在于，所述第一卷積層、第二卷積層、第一池化層、第二池化層和全連接層通過權值w、閾值f和隱藏函數實現連接。

6.根據權利要求4所述的一種瓶胚缺陷檢測模型的訓練方法，其特征在于，所述第一卷積層的層次b1＝6，卷積核的個數b2＝38；所述第二卷積層的層次d1＝6，卷積核的個數d2＝8。

7.根據權利要求4所述的一種瓶胚缺陷檢測模型的訓練方法，其特征在于，所述第一池化層的比例c1＝2，所述第二池化層的比例e1＝2。

8.根據權利要求4所述的一種瓶胚缺陷檢測模型的訓練方法，其特征在于，所述b3＝a1-b2+1，所述c2＝b3/2，所述d3＝c2-d2+1，所述e2＝d3/2。