[發明專利]一種基于深度學習的筆記本外觀瑕疵分割方法

在審

• 申請號: 202110282633.6
• 申請日: 2021-03-16
• 公開（公告）號: CN112907560A
• 公開（公告）日: 2021-06-04
• 發明（設計）人: 王誠;程坦;劉濤;呂劍
• 申請（專利權）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: 安徽善安知識產權代理事務所(特殊普通合伙) 34200
• 代理人: 陳庭

本發明公開了一種基于深度學習的筆記本外觀瑕疵分割方法，包括以下步驟：步驟一：采集訓練樣本制作數據集，使用數據集訓練模型至收斂；步驟二：采集目標圖像；步驟三：進行連通域分析找到面積最大的連通域，以該區域為中心將圖像裁剪為目標大小進行輸入，最大程度上保證了圖像的清晰度；步驟四：修改Res50的結構，將Res4和Res5的卷積模塊用可形變卷積替代，固定之前層的參數不變，重新訓練Res4以及Res4之后的層的參數，增強模型的幾何變換建模的能力，減少了漏報和誤報；步驟五：對數據集中的目標框進行K?Means聚類獲取搜索框大小的先驗知識；步驟六：調整裁剪好的圖像的大小，輸入深度學習模型；步驟七：通過深度學習模型對筆記本外觀瑕疵進行判別。

技術領域

本發明涉及筆記本外觀瑕疵分割領域，特別涉及一種基于深度學習的筆記本外觀瑕疵分割方法。

背景技術

隨著科技的發展，工業生產的自動化水平也日益提升。在電子器件生產中，提高生產效率的同時，如何提高檢測效率成了亟待解決的問題。當前，大部分工廠都采用人工檢測的方式進行質檢，這樣的檢測方式受工作人員經驗、工作狀態等因素的影響，缺乏客觀性且工作量大，檢測效率低下。傳統視覺檢測方法用于筆記本外觀瑕疵檢測算法通常準確率較低，泛化能力較差難以適應工廠環境。因此，基于深度學習的筆記本外觀瑕疵分割技術有著重要的現實意義。

為此，我們提出一種基于深度學習的筆記本外觀瑕疵分割方法。

發明內容

本發明的主要目的在于提供一種基于深度學習的筆記本外觀瑕疵分割方法，可以有效解決背景技術中的大部分代工廠都采用人工檢測的方式對筆記本外觀瑕疵進行檢測，需要大量的人力資源并且檢測效率較低下，而基于傳統視覺的筆記本外觀瑕疵進檢測算法，易受外界環境等因素的干擾，針對不同瑕疵特征難以進行統一設計，因而造成檢測準確率較低且泛化能力差的問題。

為實現上述目的，本發明采取的技術方案為：

一種基于深度學習的筆記本外觀瑕疵分割方法，包括以下步驟：

步驟一：采集訓練樣本，制作數據集，使用數據集訓練深度學習模型，訓練模型至收斂；

步驟二：采集目標圖像，使用最大類間方差法分割出圖像的前景與背景；

步驟三：進行連通域分析找到面積最大的連通域，再以該區域為中心將圖像裁剪為目標大小進行輸入；

步驟四：修改Res50的結構，將Res4和Res5的卷積模塊用可形變卷積替代，固定之前層的參數不變，重新訓練Res4以及Res4之后的層的參數；

步驟五：對數據集中的目標框進行K-Means聚類獲取搜索框大小的先驗知識；

步驟六：調整裁剪好的圖像的大小，輸入深度學習模型；

步驟七：通過深度學習模型對筆記本外觀瑕疵進行判別并輸出推理結果到上位機顯現。

進一步的，所述步驟一中的數據集包括若干樣本圖像和每個樣本圖像所對應的標注信息，其中標注信息包含圖像中檢測目標的類別、分割掩碼和框選位置，框選位置可以表示為(x，y，w，h) ，x是目標框的橫坐標，y是目標框的縱坐標，w是目標框的寬度，h是目標框的長度，分割掩碼則是該目標框中實際檢測對象的輪廓。

進一步的，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方向偏移量的學習，對卷積核的大小及位置進行動態調整，可形變卷積的輸入為經過標準卷積后的feature map，后在該feature map上進行卷積操作，生成N個2維的偏置量(△x,△y)，再分別對輸入feature map上各個點的值進行修正，設feature map為P，即P(x,y)=P(x+△x,y+△y)，當x+△x為分數時，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個卷積核一一對應進行卷積得到輸出。

進一步的，在訓練深度學習模型之前，對RPN網絡候選區域的搜索框的大小進行設定。