一种基于卷积神经网络的铜箔基板缺陷检测方法技术

本发明专利技术公开了一种基于卷积神经网络的铜箔基板缺陷检测方法，包括以下步骤：数据集收集与标记；对数据集的图像进行数据扩展；构造一个快速准确的卷积神经网络模型；将数据集样本图片输入到上述卷积神经网络模型中进行迭代训练，获得最佳检测模型；将待检测铜箔基板图像输入到上述检测模型中进行图像类别的识别并实现在线的自动检测。上述方法通过将数据集样本输入构建的卷积神经网络模型迭代训练，从而获得深度学习检测模型，对铜箔基板缺陷产品实现在线检测，克服人工设计缺陷特征的缺点，提高了生产效率，从而快速准确进行分类检测，具有很强的适应性和鲁棒性，保证了铜箔基板产品的品质。

【技术实现步骤摘要】
一种基于卷积神经网络的铜箔基板缺陷检测方法
本专利技术涉及一种铜箔基板缺陷检测方法，尤其涉及一种基于卷积神经网络的铜箔基板缺陷检测方法。
技术介绍
有资料显示，铜箔基板缺陷的快速准确检测是工业生产中的一个重要研究内容。铜箔基板在生产制造过程中，存在的外观缺陷很难避免，这对铜箔基板的性能和品质造成了极大的负面影响，为避免缺陷造成的影响，目前通常采用手动设计特征的检测方法，包括几何特征、颜色特征、纹理特征等。这种检测方法存在局限性并且执行过程费时费力，精度和速度都难以达到要求。
技术实现思路
本专利技术主要解决原有的手动设计特征检测费时费力的技术问题，提供一种基于卷积神经网络的铜箔基板缺陷检测方法，通过将数据集样本输入构建的卷积神经网络模型迭代训练，从而获得深度学习检测模型，对铜箔基板缺陷产品实现在线检测，克服人工设计缺陷特征的缺点，提高了生产效率，从而快速准确进行分类检测，具有很强的适应性和鲁棒性，保证了铜箔基板产品的品质。本专利技术的上述技术问题主要是通过下述技术方案得以解决的：本专利技术包括以下步骤：(1)数据集收集与标记；收集若干类铜箔基板缺陷样本图像并进行分类和标记，同时收集一类正常样本进行标记，将收集的上述样本图像作为数据集。(2)对数据集的样本图像进行数据扩展；(3)构建卷积神经网络模型；输入图像大小为96×96×1。(4)将样本图像输入到上述卷积神经网络模型中进行迭代训练；以获得最佳模型。(5)将待检测铜箔基板图像输入到上述检测模型中进行图像类别的识别并实现在线的自动检测。对铜箔基板缺陷产品实现在线的自动检测，从而提高产品品质。作为优选，所述的步骤(2)通过将数据集中所有样本图像按翻转、降噪的方式扩展样本数量，按9:1的比例划分出训练集和验证集。作为优选，所述的步骤(3)卷积神经网络模型包括十四层，第一层为卷积层；第二层为重叠的最大池化层；第三层、第四层、第五层和第七层为并联结构的卷积模块DepthwiseFire深度可分离模块；第六层和第八层为最大池化层；第九层、第十层、第十一层和第十二层为卷积模块DepthwiseResidual深度可分离残差模块；第十三层为平均池化层，第十四层为softmax分类层。softmax分类层用于计算输出属于每一类的概率。作为优选，所述的步骤(3)卷积神经网络模型的第一层为卷积层，包括32个感受野大小为3×3的卷积核，步长为2，输出为32通道、尺寸为48×48的特征图。作为优选，所述的步骤(3)卷积神经网络模型的第二层为重叠的最大池化层，是感受野大小为3×3的卷积核，步长为2，输出为32通道，尺寸为24×24的特征图。作为优选，所述的步骤(3)卷积神经网络模型的第三层、第四层、第五层和第七层为并联结构的卷积模块DepthwiseFire深度可分离模块，第三层依次是8个感受野大小为1×1的卷积核和并联的左分支、右分支，所述卷积核步长1，输出为8通道、尺寸为24×24的特征图，所述左分支的卷积层是32个感受野大小1×1的卷积核，步长为1，所述右分支包含两个级联的卷积层，其中上级卷积层是32个受野大小为3×3的深度可分离卷积核，步长为1，下级卷积层是32个受野大小为1×1的卷积核，步长为1，将左分支和右分支的输出进行拼接，第三层最终输出为64个通道，尺寸为24×24的特征图；第四层依次是12个感受野大小为1×1的卷积核和并联的左分支、右分支，所述卷积核步长1，输出为12通道、尺寸为24×24的特征图，所述左分支的卷积层是48个感受野大小1×1的卷积核，步长为1，所述右分支包含两个级联的卷积层，其中上级卷积层是48个受野大小为3×3的深度可分离卷积核，步长为1，下级卷积层是48个受野大小为1×1的卷积核，步长为1，将左分支和右分支的输出进行拼接，第四层最终输出为96个通道，尺寸为24×24的特征图；第五层依次是16个感受野大小为1×1的卷积核和并联的左分支、右分支，所述卷积核步长1，输出为16通道、尺寸为24×24的特征图，所述左分支的卷积层是64个感受野大小1×1的卷积核，步长为1，所述右分支包含两个级联的卷积层，其中上级卷积层是64个受野大小为3×3的深度可分离卷积核，步长为1，下级卷积层是64个受野大小为1×1的卷积核，步长为1，将左分支和右分支的输出进行拼接，第五层最终输出为128个通道，尺寸为24×24的特征图；第七层依次是24个感受野大小为1×1的卷积核和并联的左分支、右分支，所述卷积核步长1，输出为24通道、尺寸为12×12的特征图，所述左分支的卷积层是96个感受野大小1×1的卷积核，步长为1，所述右分支包含两个级联的卷积层，其中上级卷积层是96个受野大小为3×3的深度可分离卷积核，步长为1，下级卷积层是96个受野大小为1×1的卷积核，步长为1，将左分支和右分支的输出进行拼接，第七层最终输出为192个通道，尺寸为12×12的特征图。其中卷积核起到压缩作用，左分支的一个卷积层和右分支的两个级联结构的卷积层起到扩张作用。作为优选，所述的步骤(3)卷积神经网络模型的第六层和第八层为最大池化层，其中第六层是感受野大小为3×3的卷积层，步长为2，该层输出为128通道，尺寸为12×12的特征图；第八层是感受野大小为3×3的卷积层，步长为2，该层输出为192通道，尺寸为6×6的特征图。作为优选，所述的步骤(3)卷积神经网络模型的第九层、第十层、第十一层和第十二层为卷积模块DepthwiseResidual深度可分离残差模块，其中第九层和第十层由两个上级卷积层加下级卷积层构成。上级卷积层是256个受野大小为3×3的深度可分离卷积核，步长为1；下级卷积层是256个受野大小为1×1的卷积核，步长为1，输出为256个通道，尺寸为6×6的特征图；其中第十一层和第十二层由两个上级卷积层加下级卷积层构成。上级卷积层是512个受野大小为3×3的深度可分离卷积核，步长为1；下级卷积层是512个受野大小为1×1的卷积核，步长为1，输出为512个通道，尺寸为6×6的特征图。作为优选，所述的步骤(3)卷积神经网络模型的第十三层为平均池化层，是感受野大小为6×6的卷积层，步长为1，该层输出为512通道，尺寸为1×1的特征图。作为优选，所述的步骤(4)设置迭代周期数为400，每迭代一个周期，输出一次验证集准确率。根据准确率验证对参数进行微调或修改迭代周期数来获得最优模型。本专利技术的有益效果是：通过将数据集样本输入构建的卷积神经网络模型迭代训练，从而获得深度学习检测模型，对铜箔基板缺陷产品实现在线检测，克服人工设计缺陷特征的缺点，提高了生产效率，从而快速准确进行分类检测，具有很强的适应性和鲁棒性，保证了铜箔基板产品的品质。具体实施方式下面通过实施例，对本专利技术的技术方案作进一步具体的说明。实施例：本实施例的一种基于卷积神经网络的铜箔基板缺陷检测方法，包括以下步骤：(1)数据集收集与标记。收集若干类铜箔基板缺陷样本图像并进行分类和标记，同时收集一类正常样本进行标记，将收本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的铜箔基板缺陷检测方法，其特征在于，包括以下步骤：/n(1)数据集收集与标记；/n(2)对数据集的样本图像进行数据扩展；/n(3)构建卷积神经网络模型；/n(4)将样本图像输入到上述卷积神经网络模型中进行迭代训练；/n(5)将待检测铜箔基板图像输入到上述检测模型中进行图像类别的识别并实现在线的自动检测。/n

【技术特征摘要】
1.一种基于卷积神经网络的铜箔基板缺陷检测方法，其特征在于，包括以下步骤：
(1)数据集收集与标记；
(2)对数据集的样本图像进行数据扩展；
(3)构建卷积神经网络模型；
(4)将样本图像输入到上述卷积神经网络模型中进行迭代训练；
(5)将待检测铜箔基板图像输入到上述检测模型中进行图像类别的识别并实现在线的自动检测。


2.根据权利要求1所述的一种基于卷积神经网络的铜箔基板缺陷检测方法，其特征在于，所述步骤(2)通过将数据集中所有样本图像按翻转、降噪的方式扩展样本数量，按9:1的比例划分出训练集和验证集。


3.根据权利要求1所述的一种基于卷积神经网络的铜箔基板缺陷检测方法，其特征在于，所述步骤(3)卷积神经网络模型包括十四层，第一层为卷积层；第二层为重叠的最大池化层；第三层、第四层、第五层和第七层为并联结构的卷积模块DepthwiseFire深度可分离模块；第六层和第八层为最大池化层；第九层、第十层、第十一层和第十二层为卷积模块DepthwiseResidual深度可分离残差模块；第十三层为平均池化层，第十四层为softmax分类层。


4.根据权利要求3所述的一种基于卷积神经网络的铜箔基板缺陷检测方法，其特征在于，所述步骤(3)卷积神经网络模型的第一层为卷积层，包括32个感受野大小为3×3的卷积核，步长为2，输出为32通道、尺寸为48×48的特征图。


5.根据权利要求3所述的一种基于卷积神经网络的铜箔基板缺陷检测方法，其特征在于，所述步骤(3)卷积神经网络模型的第二层为重叠的最大池化层，是感受野大小为3×3的卷积核，步长为2，输出为32通道，尺寸为24×24的特征图。


6.根据权利要求3所述的一种基于卷积神经网络的铜箔基板缺陷检测方法，其特征在于，所述步骤(3)卷积神经网络模型的第三层、第四层、第五层和第七层为并联结构的卷积模块DepthwiseFire深度可分离模块，第三层依次是8个感受野大小为1×1的卷积核和并联的左分支、右分支，所述卷积核步长1，输出为8通道、尺寸为24×24的特征图，所述左分支的卷积层是32个感受野大小1×1的卷积核，步长为1，所述右分支包含两个级联的卷积层，其中上级卷积层是32个受野大小为3×3的深度可分离卷积核，步长为1，下级卷积层是32个受野大小为1×1的卷积核，步长为1，将左分支和右分支的输出进行拼接，第三层最终输出为64个通道，尺寸为24×24的特征图；第四层依次是12个感受野大小为1×1的卷积核和并联的左分支、右分支，所述卷积核步长1，输出为12通道、尺寸为24×24的特征图，所述左分支的卷积层是48个感受野大小1×1的卷积核，步长为1，所述右分支包含两个级联的卷积层，其中上级卷积层是48个受野大小为3×3的深度可分离卷积核，步长为1，...

【专利技术属性】
技术研发人员：陈杰，郑小青，孔亚广，郑松，王洪成，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33