基于视觉的无缺陷样本深度学习网络训练方法技术

本发明专利技术提供了一种基于视觉的无缺陷样本深度学习网络训练方法，包括：将产品的原始数据及以往缺陷库中的缺陷进行融合，从而得到产品缺陷数据；构建深度学习网络；把训练数据放入所述网络中训练，网络输出端则是相应无缺陷的产品，训练模型，以学习到具有过滤缺陷能力的网络模型；通过对网络模型的输入端和输出端做一个简单的差值得到结果图；对结果图设置一定的阈值即可得到产品是否有缺陷、以及对应的缺陷位置和大小信息。本发明专利技术避免了收集标记数据的时间和人力导致的生产效率降低问题，进一步地与深度学习算法相结合，可以自动过滤缺陷，从而利用输入端与输出端的差值确定出缺陷信息。

Vision based deep learning network training method for flawless samples

【技术实现步骤摘要】
基于视觉的无缺陷样本深度学习网络训练方法
本专利技术涉及缺陷检测识别领域，特别涉及一种基于视觉的无缺陷样本深度学习网络训练方法。
技术介绍
在工业生产线上，为保证产品质量良好无缺陷，经常需要人工检视或利用传统算法(颜色或轮廓匹配等)或深度学习算法筛选缺陷不良品。人工检视会受到工人离职、培训、假期等方面的因素制约进而导致生产成本高昂、生产效率不高。对于传统算法而言其致命缺点是算法适用性不够，产品的颜色或形状或大小等轻微变化都极可能导致之前开发的传统算法不再适用于新的产品，需要专业的算法人员持续跟进开发算法，导致传统算法的维护周期长和维护成本高昂。由于深度学习算法具有开发周期短、算法适应能力极强、极高的准确率等优点，深度学习算法已广泛应用于工业生产检测中。一般来说其基本操作流程如下，在生产产品检测之前首先需要收集大量有缺陷产品数据和无缺陷产品数据，然后进行相应的数据标签标记，最后训练模型应用于生产线上。然而，前两步的工作就需要消耗大量的人力和时间，并不能做到深度网络模型的快速替换，这就在一定程度上降低生产效率。对于产品缺陷出本文档来自技高网...

【技术保护点】
1.一种基于视觉的无缺陷样本深度学习网络训练方法，其特征在于，包括：/n步骤1，将产品的原始数据及以往缺陷库中的缺陷进行融合，从而得到产品缺陷数据；/n步骤2，构建深度学习络；/n步骤3，把训练数据放入所述网络中训练，网络输出端则是相应无缺陷的产品，训练模型，以学习到具有过滤缺陷能力的网络模型；/n步骤4，通过对网络模型的输入端和输出端做一个简单的差值得到结果图；/n步骤5，对结果图设置一定的阈值即可得到产品是否有缺陷、以及对应的缺陷位置和大小信息。/n

【技术特征摘要】
1.一种基于视觉的无缺陷样本深度学习网络训练方法，其特征在于，包括：
步骤1，将产品的原始数据及以往缺陷库中的缺陷进行融合，从而得到产品缺陷数据；
步骤2，构建深度学习络；
步骤3，把训练数据放入所述网络中训练，网络输出端则是相应无缺陷的产品，训练模型，以学习到具有过滤缺陷能力的网络模型；
步骤4，通过对网络模型的输入端和输出端做一个简单的差值得到结果图；
步骤5，对结果图设置一定的阈值即可得到产品是否有缺...

【专利技术属性】
技术研发人员：许琦，何志权，何志海，
申请(专利权)人：深圳市深视创新科技有限公司，
类型：发明
国别省市：广东;44