[發明專利]一種基于深度學習的涂層表面缺陷識別方法有效
| 申請號： | 202110226014.5 | 申請日： | 2021-03-01 |
| 公開（公告）號： | CN112950584B | 公開（公告）日： | 2022-07-29 |
| 發明（設計）人： | 陳宗陽;呂永勝;趙輝;沙建軍;趙博;房海波;沙香港 | 申請（專利權）人： | 哈爾濱工程大學 |
| 主分類號： | G06T7/00 | 分類號： | G06T7/00;G06V10/44;G06V10/764;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 暫無信息 | 代理人： | 暫無信息 |
| 地址： | 150001 黑龍江省哈爾濱市南崗區*** | 國省代碼： | 黑龍江;23 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 深度 學習 涂層 表面 缺陷 識別 方法 | ||
1.一種基于深度學習的涂層表面缺陷識別方法，其特征是，包括如下步驟：
S1：選取特征提取網絡，用于對輸入圖像快速進行特征提取；
S2：設計倒金字塔型分類器，用于利用特征數據進行識別操作；
S3：構建識別模型；
S4：使用優化調整后的訓練方法訓練識別模型，得到涂層表面缺陷識別模型；
S5：對涂層表面缺陷進行識別；
所述的步驟S1包括以下子步驟：
S11：選取輕量級神經網絡，該網絡的特點在于：參數量少、計算代小，具體包括：MobileNet系列或ShuffleNet系列；
S12：對輕量級神經網絡進行剪枝，去除其最后一個block結構之后的網絡部分，保留剩余的網絡結構作為特征提取網絡，該網絡可快速進行特征提取并輸出特征圖；
所述的步驟S2包括以下子步驟：
S21：對輸入特征圖進行通道數壓縮，壓縮后特征圖通道數為輸入通道數的9/20～3/4之間；
S22：對特征圖進行通道數壓縮和尺寸壓縮，壓縮后特征圖通道數為先前的1/6～1/2之間且還應處于識別目標種類數的7～13倍之間，在二者發生沖突時以后者為主；壓縮后特征圖尺寸為先前的3/5～4/5之間；
S23：提取特征圖在每個通道上的顯著特征，并依據顯著特征進行識別結果預測，其中識別結果預測可由卷積操作、全連接操作得到；
所述的步驟S3具體步驟如下：
將特征提取網絡和倒金字塔型分類器進行組合得到識別模型，其中特征提取網絡的輸入即為識別模型的輸入，特征提取網絡的輸出即為倒金字塔型分類器的輸入，倒金字塔型分類器的輸出即為識別模型的輸出。
2.根據權利要求1所述的基于深度學習的涂層表面缺陷識別方法，其特征是，所述的步驟S4包括以下子步驟：
S41：在隨機初始權重下利用交叉驗證對識別模型進行訓練，其中學習率取0.01～0.001之間，訓練周期取20～40之間，訓練樣本取訓練集樣本的1/5～2/5且每類目標樣本數相同并均為隨機選取；訓練得到預訓練權重；
S42：加載預訓練權重并采用遷移學習對識別模型進行訓練，其中學習率取0.001～0.0001之間，訓練周期取300～400之間，訓練樣本為全部訓練集樣本；訓練得到涂層表面缺陷識別模型。
3.根據權利要求1所述的基于深度學習的涂層表面缺陷識別方法，其特征是，所述的步驟S5具體步驟如下：
將涂層表面缺陷圖像輸入到涂層表面缺陷識別模型中，模型經過運算輸出識別結果。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于哈爾濱工程大學，未經哈爾濱工程大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202110226014.5/1.html，轉載請聲明來源鉆瓜專利網。
