[發(fā)明專利]一種基于深度學(xué)習(xí)的筆記本外觀瑕疵分割方法

在審

• 申請?zhí)枺?/td>: 202110282633.6
• 申請日: 2021-03-16
• 公開（公告）號: CN112907560A
• 公開（公告）日: 2021-06-04
• 發(fā)明（設(shè)計）人: 王誠;程坦;劉濤;呂劍
• 申請（專利權(quán)）人: 中科海拓（無錫）科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/194;G06T7/187;G06T7/12;G06T7/11;G06T7/136;G06K9/62
• 代理公司: 安徽善安知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 34200
• 代理人: 陳庭

1.一種基于深度學(xué)習(xí)的筆記本外觀瑕疵分割方法，其特征在于，包括以下步驟：

步驟一：采集訓(xùn)練樣本，制作數(shù)據(jù)集，使用數(shù)據(jù)集訓(xùn)練深度學(xué)習(xí)模型，訓(xùn)練模型至收斂；

步驟二：采集目標(biāo)圖像，使用最大類間方差法分割出圖像的前景與背景；

步驟三：進(jìn)行連通域分析找到面積最大的連通域，再以區(qū)域為中心將圖像裁剪為目標(biāo)大小進(jìn)行輸入；

步驟四：修改Res50的結(jié)構(gòu)，將Res4和Res5的卷積模塊用可形變卷積替代，固定之前層的參數(shù)不變，重新訓(xùn)練Res4以及Res4之后的層的參數(shù)；

步驟五：對數(shù)據(jù)集中的目標(biāo)框進(jìn)行K-Means聚類獲取搜索框大小的先驗知識；

步驟六：調(diào)整裁剪好的圖像的大小，輸入深度學(xué)習(xí)模型；

步驟七：通過深度學(xué)習(xí)模型對筆記本外觀瑕疵進(jìn)行判別并輸出推理結(jié)果到上位機顯現(xiàn)。

2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的筆記本外觀瑕疵分割方法，其特征在于：所述步驟一中的數(shù)據(jù)集包括若干樣本圖像和每個樣本圖像所對應(yīng)的標(biāo)注信息，其中標(biāo)注信息包含圖像中檢測目標(biāo)的類別、分割掩碼和框選位置，框選位置表示為(x，y，w，h) ，x是目標(biāo)框的橫坐標(biāo)，y是目標(biāo)框的縱坐標(biāo)，w是目標(biāo)框的寬度，h是目標(biāo)框的長度，分割掩碼則是該目標(biāo)框中實際檢測對象的輪廓。

3.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的筆記本外觀瑕疵分割方法，其特征在于：所述步驟四中的可形變卷積主要在原有的卷積單元中增加了x和y方向偏移量的學(xué)習(xí)，對卷積核的大小及位置進(jìn)行動態(tài)調(diào)整，可形變卷積的輸入為經(jīng)過標(biāo)準(zhǔn)卷積后的feature map，后在該feature map上進(jìn)行卷積操作，生成N個2維的偏置量(△x,△y)，再分別對輸入featuremap上各個點的值進(jìn)行修正，設(shè)feature map為P，即P(x,y)=P(x+△x,y+△y)，當(dāng)x+△x為分?jǐn)?shù)時，使用雙線性插值計算P(x+△x,y+△y)，形成N個feature map，然后使用N個卷積核一一對應(yīng)進(jìn)行卷積得到輸出。

4.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的筆記本外觀瑕疵分割方法，其特征在于：在訓(xùn)練深度學(xué)習(xí)模型之前，對RPN網(wǎng)絡(luò)候選區(qū)域的搜索框的大小進(jìn)行設(shè)定。

5.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的筆記本外觀瑕疵分割方法，其特征在于：所述步驟五中的候選框大小為322、642、1282，候選框的長寬比為1:1、1:3以及 3:1。