基于深度学习的铜箔外观缺陷检测方法技术

本发明专利技术公开了一种基于深度学习的铜箔外观缺陷检测方法。基于深度学习的铜箔外观缺陷检测方法，包括：设置铜箔外观缺陷属性概率阈值Ω和公式(1)所示的交并比(IoU)等参数；

【技术实现步骤摘要】
基于深度学习的铜箔外观缺陷检测方法
本专利技术涉及铜箔外观缺陷检测领域，具体涉及一种基于深度学习的铜箔外观缺陷检测方法。
技术介绍
铜箔是覆铜板(CCL)及印制电路板(PCB)、锂离子电池制造的重要的材料。随着电子信息产业的高速发展，对铜箔的需求量日益增加，尤其是高质量的铜箔，因此，提高铜箔的品质至关重要，尤其是外观品质严重影响着相关产品的使用寿命和性能。传统技术存在以下技术问题：目前国内外对于铜箔外观缺陷的检测，大多数是依赖人工检测，由于铜箔的面积较大，缺陷的种类较多并且特征不太明显，因此，检测结果缺乏客观性、效率低下且劳动强度大；并且由于铜箔缺陷的复杂性和缺陷之间的差异性较小的原因，传统的机器视觉技术难以满足要求。
技术实现思路
本专利技术要解决的技术问题是提供一种基于深度学习的铜箔外观缺陷检测方法。首先采集各尺寸下、不同光源和正反面的铜箔图像；再对得到的铜箔图像按照缺陷种类进行标定；然后由于采集到的原图太大，所以根据标定的缺陷的位置，将原图切割成固定大小的图像；其次选定深度学习网络进行网络训练，不断更新本文档来自技高网...

【技术保护点】
1.一种基于深度学习的铜箔外观缺陷检测方法，其特征在于，包括：/n设置铜箔外观缺陷属性概率阈值Ω和公式(1)所示的交并比(IoU)等参数；/n

【技术特征摘要】
1.一种基于深度学习的铜箔外观缺陷检测方法，其特征在于，包括：
设置铜箔外观缺陷属性概率阈值Ω和公式(1)所示的交并比(IoU)等参数；



其中，P表示预测区域，T表示真实区域；
确定打光方案并采集铜箔图像D；
确定缺陷的种类并对铜箔图像进行标定；
对标定后铜箔图像进行预处理，并按比例分为训练集Dtrain和测试集Dtest；
利用MaskR-CNN算法进行建模得到网络模型G；
根据测试集和网络模型G进行推理，得到相应的铜箔外观缺陷概率属性Ω'；
验证判断并输出铜箔外观缺陷属性。


2.如权利要求1所述的基于深度学习的铜箔外观缺陷检测方法，其特征在于，“确定缺陷的种类并对铜箔图像进行标定；”中，具体将缺陷分为三大类：污损类、划伤类和折痕类。


3.如权利要求1所述的基于深度学习的铜箔外观缺陷检测方法，其特征在于，“确定打光方案并采集铜箔图像D；”中，采集各尺寸下、不同光源和正反面的铜箔图像。


4.如权利要求1所述的基于深度学习的铜箔外观缺陷检测方法，其特征在于，“利用MaskR-CNN算法进行建模得到网络模型G”具体包括：
将处理好的训练集输入到ResNet101网络中，得到对应的featuremap；
对featuremap中的每一点设定预定个数的ROI，得到多个候选的ROI；
将候选的ROI送入RegionProposalNetwork(RPN)网络进行前景和背景的分类，并利用公式(2)所示的回归函数进行第一次的boundingbox回归，得到相应的待检测区域(Proposals)；

...

【专利技术属性】
技术研发人员：高文强，周荣欣，
申请(专利权)人：苏州杰锐思智能科技股份有限公司，
类型：发明
国别省市：江苏;32