[發明專利]一種基于集成學習的深度學習缺陷圖像識別方法及系統

有效

• 申請號: 202110305533.0
• 申請日: 2021-03-23
• 公開（公告）號: CN113139932B
• 公開（公告）日: 2022-12-20
• 發明（設計）人: 劉偉鑫;徐晨;周松斌
• 申請（專利權）人: 廣東省科學院智能制造研究所
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/13;G06V10/774;G06V10/764;G06V10/80;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 廣州容大知識產權代理事務所(普通合伙) 44326
• 代理人: 劉新年

1.一種基于集成學習的深度學習缺陷圖像識別方法，其特征在于，包括：

獲取所有的缺陷監測圖像，生成樣本訓練集和樣本測試集；

獲取樣本訓練集通過色彩轉換、傅里葉變換、梯度運算和邊緣輪廓提取，獲得灰度圖、頻譜圖、邊緣輪廓圖和梯度圖，生成第一訓練集、第二訓練集、第三訓練集、第四訓練集；

根據所述第一訓練集、所述第二訓練集、所述第三訓練集、所述第四訓練集融合生成第五訓練集；

將所述第一訓練集、所述第二訓練集、所述第三訓練集、所述第四訓練集和所述第五訓練集分別進行深度神經網絡訓練，生成第一分類器、第二分類器、第三分類器、第四分類器和第五分類器；

將所述樣本測試集中的圖像輸入所述第一分類器、所述第二分類器、所述第三分類器、所述第四分類器和所述第五分類器進行投票，獲得目標分類結果；

其中，所述獲取所有的缺陷監測圖像，生成樣本訓練集和樣本測試集，具體包括：

獲取所有的待缺陷檢測圖像，并將其壓縮至預設大小，存儲為預設大小彩色圖像，其中，所述預設大小的長度和寬度均為100像素；

將所有的所述預設大小彩色圖像存儲到圖片樣本集；

從所述圖片樣本集中提取出預設數量的樣本，保存到所述樣本訓練集，其中，預設數量不大于所述圖片樣本集中的圖像總數；

將所述圖片樣本集中剩余的樣本存儲到所述樣本測試集；

其中，所述獲取樣本訓練集通過色彩轉換、傅里葉變換、梯度運算和邊緣輪廓提取，獲得灰度圖、頻譜圖、邊緣輪廓圖和梯度圖，生成第一訓練集、第二訓練集、第三訓練集、第四訓練集，具體包括：

將所述樣本訓練集中的所有彩色圖像轉換為所述灰度圖，并保存到所述第一訓練集；

對所述第一訓練集中的所有所述灰度圖進行傅里葉變換，生成所述頻譜圖，保存到所述第二訓練集；

對所述第一訓練集中的所有的所述灰度圖進行邊緣輪廓提取，生成所述邊緣輪廓圖，保存到所述第三訓練集；

對所述第一訓練集中的所有的所述灰度圖進行梯度運算，獲得所述梯度圖，保存到所述第四訓練集；

其中，所述根據所述第一訓練集、所述第二訓練集、所述第三訓練集、所述第四訓練集融合生成第五訓練集，具體包括：

獲取所述第一訓練集、所述第二訓練集、所述第三訓練集、所述第四訓練集中的全部圖像；

在所述第一訓練集、所述第二訓練集、所述第三訓練集和所述第四訓練集中對同一彩色圖像對應的所述灰度圖、所述頻譜圖、所述邊緣輪廓圖和所述梯度圖進行提取，拼接為一張預設尺寸的合成訓練圖，其中，所述預設尺寸的長度和寬度均為200像素；

將所有的所述合成訓練圖保存到第五訓練集。

2.如權利要求1所述的一種基于集成學習的深度學習缺陷圖像識別方法，其特征在于，所述梯度運算采用sobel算子；所述邊緣輪廓提取采用canny算子。

3.如權利要求1所述的一種基于集成學習的深度學習缺陷圖像識別方法，其特征在于，所述將所述第一訓練集、所述第二訓練集、所述第三訓練集、所述第四訓練集和所述第五訓練集分別進行深度神經網絡訓練，生成第一分類器、第二分類器、第三分類器、第四分類器和第五分類器，具體包括：

獲得所述第一訓練集，通過單類圖像神經網絡進行訓練，訓練完成后，生成所述第一分類器；

獲得所述第二訓練集，通過單類圖像神經網絡進行訓練，訓練完成后，生成所述第二分類器；

獲得所述第三訓練集，通過單類圖像神經網絡進行訓練，訓練完成后，生成所述第三分類器；

獲得所述第四訓練集，通過單類圖像神經網絡進行訓練，訓練完成后，生成所述第四分類器；

獲得所述第五訓練集，通過融合圖像神經網絡進行訓練，訓練完成后，生成所述第五分類器。