一种外观缺陷检测模型建模方法和装置制造方法及图纸

本申请实施例公开了一种外观缺陷检测模型建模方法和装置，通过训练样本集的批次数和训练轮回数，利用最大迭代次数计算公式得到卷积神经网络模型训练的最大迭代次数，由于卷积神经网络模型的训练阶段涉及参数过多，迭代次数也比较多，而卷积神经网络模型的训练速度主要受迭代次数的影响，本申请提供的方法采用轮回的次数决定前馈和反向传播过程在训练中进行的次数，批次数确定训练样本数据的迭代次数在每个轮回内被处理的次数，能够得到较好的迭代次数，加快卷积神经网络的训练速度，避免了训练模型的过拟合和欠拟合，能够提高训练效率，解决了现有的基于卷积神经网络算法的训练模型效率低的技术问题。

【技术实现步骤摘要】
一种外观缺陷检测模型建模方法和装置
本申请涉及缺陷检测
，尤其涉及一种外观缺陷检测模型建模方法和装置。
技术介绍
随着工业自动化的快速发展，传统的人工检测工件缺陷方式，人工成本高、检测效率低下、准确率低，已经不能够适应市场需求，取而代之的是机器视觉检测方式。机器视觉能够更好地检测在工业生辰流程中出现且不易被人工发现的缺陷，提高工业生产的效率和生产的自动化程度。近年来，卷积神经网络算法的发展极大地提高了目标检测识别的准确率，是一种高效深度学习识别算法，已经成为语音分析和图像处理领域的主要研究对象。但是，尽管基于卷积神经网络的方法在目标检测和识别上提高了准确率，但是由于卷积神经网络算法复杂，计算量大，因此在建立训练模型的过程中会影响到训练效率。
技术实现思路
本申请实施例提供了一种外观缺陷检测模型建模方法和装置，用以解决现有的基于卷积神经网络算法的训练模型效率低的技术问题。有鉴于此，本申请第一方面提供了一种外观缺陷检测模型建模方法，所述方法包括：获取训练样本集的批次数和训练轮回数，所述训练轮回数为完成前馈和反向传播过程的轮回次数，所述批次数为所述训练样本集在每个训练轮回内被处理的次数；本文档来自技高网...

【技术保护点】
1.一种外观缺陷检测模型建模方法，其特征在于，包括：获取训练样本集的批次数和训练轮回数，所述训练轮回数为完成前馈和反向传播过程的轮回次数，所述批次数为所述训练样本集在每个训练轮回内被处理的次数；根据所述批次数和所述训练轮回数，通过预置公式计算最大迭代次数，所述预置公式为：

【技术特征摘要】
1.一种外观缺陷检测模型建模方法，其特征在于，包括：获取训练样本集的批次数和训练轮回数，所述训练轮回数为完成前馈和反向传播过程的轮回次数，所述批次数为所述训练样本集在每个训练轮回内被处理的次数；根据所述批次数和所述训练轮回数，通过预置公式计算最大迭代次数，所述预置公式为：其中，i为最大迭代次数，trainingdata为训练样本集，batch为批次数，epochs为训练轮回数；将所述训练样本集作为建立的卷积神经网络模型的输入，对所述卷积神经网络模型进行训练；判断训练的迭代次数是否达到所述最大迭代次数，若是，结束训练并更新所述卷积神经网络模型，得到外观缺陷检测模型，否则，返回步骤将所述训练样本集作为建立的卷积神经网络模型的输入，对所述卷积神经网络模型进行训练。2.根据权利要求1所述的外观缺陷检测模型建模方法，其特征在于，所述判断训练的迭代次数是否达到所述最大迭代次数，若是，结束训练并更新所述卷积神经网络模型，得到外观缺陷检测模型，否则，返回步骤将所述训练样本集作为建立的卷积神经网络模型的输入，对所述卷积神经网络模型进行训练，之后还包括：通过S折交叉验证法对所述外观缺陷检测模型进行准确度验证，所述准确度取S次验证准确率的平均值。3.根据权利要求1所述的外观缺陷检测模型建模方法，其特征在于，所述获取训练样本集的批次数和训练轮回数，之前还包括：计算各批次数和对应的训练轮回数两者所对应的验证样本集预测准确率，将所述预测准确率大于等于预置准确率时，最小训练轮回数作为最终的训练轮回数，将同时对应所述训练轮回数和所述预测准确率的批次数作为最终的批次数。4.根据权利要求1所述的外观缺陷检测模型建模方法，其特征在于，所述判断训练的迭代次数是否达到所述最大迭代次数，若是，结束训练并更新所述卷积神经网络模型，得到外观缺陷检测模型，否则，返回步骤将所述训练样本集作为建立的卷积神经网络模型的输入，对所述卷积神经网络模型进行训练，之后还包括：将测试样本集输入所述外观缺陷检测模型进行外观缺陷检测。5.根据权利要求4所述的外观缺陷检测模型建模方法，其特征在于，所述训练样本集和所述测试样本集，均...

【专利技术属性】
技术研发人员：廉迎战，郑富豪，李刘明，蔡二梦，郭杰鹏，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44