基于深度学习的涂布缺陷检测方法技术

本发明专利技术涉及一种基于深度学习的涂布缺陷检测方法，具体包括：第一步，选取不同类别的缺陷图像块和无缺陷的图像块作为训练样本集；第二步，构建卷积神经网络初始模型；第三步，数据集训练及模型优化；第四歩，利用优化好的深度学习算法，在线检测识涂胶面的缺陷，实现缺陷的自动分类。本发明专利技术利用将缺陷图像直接输入深度卷积网络，构建一个多层神经网络，对图像逐层特征提取，在大量训练数据集训练下，能够准确学习到反映隐含在图像数据内部的高级特征，并对网络结构进行优化，训练得出最优参数值，解决在涂布熔喷过程中多缺陷类型检测识别问题。

【技术实现步骤摘要】
基于深度学习的涂布缺陷检测方法
本专利技术涉及机器视觉与图像处理
，特别涉及一种基于深度学习的涂布缺陷检测系统。
技术介绍
在国内涂布工艺的生产过程中，大型公司均采用国外进口设备监测涂布厚度的变化，存在价格昂贵的不足。其他创业型小公司大多停留在传统人工目视抽检阶段。传统人工检测的特点不需要专业设备只需要指导培训专业人员即可，但是其缺点是结果受主观因素影响较大会导致漏检和误检情况，且只能在完成涂布后，离线抽样检测缺陷，无法实时在线检测。涂布的缺陷检测一直以来都是国内外学者研究探讨的热门课题。因此，需要通过有效的缺陷检测方法，才能够在产品质量和生产成本上取得一定平衡来达到为企业创造更多价值的目的，同时也能满足涂布生产行业越来越迫切的自动化需求，为涂布智能工厂奠定基础。因此，一种新的基于深度学习的涂布缺陷检测方法成为本领域亟待解决的问题。
技术实现思路
为解决上述问题，本专利技术的目的为提供一种新的基于深度学习的涂布缺陷检测方法。为实现上述目的，本专利技术提供如下技术方案：一种基于深度学习的涂布缺陷检测方法，本文档来自技高网...

【技术保护点】
1.一种基于深度学习的涂布缺陷检测方法，其特征在于，包括：/n第一步，选取不同类别的缺陷图像块和无缺陷的图像块作为训练样本集；/n第二步，构建卷积神经网络初始模型，构建包括输入层、卷积层、降采集层、全连接层和输出层的卷积神经网络初始模型，其中输入层、卷积层、降采集层、全连接层和输出层依次设置，而卷积层和降采集层均为多个，并且交替设置，即每个卷积层之后对应设置有一个降采集层；/n第三步，数据集训练及模型优化；/n第四歩，利用优化好的深度学习算法，在线检测识涂胶面的缺陷。/n

【技术特征摘要】
1.一种基于深度学习的涂布缺陷检测方法，其特征在于，包括：
第一步，选取不同类别的缺陷图像块和无缺陷的图像块作为训练样本集；
第二步，构建卷积神经网络初始模型，构建包括输入层、卷积层、降采集层、全连接层和输出层的卷积神经网络初始模型，其中输入层、卷积层、降采集层、全连接层和输出层依次设置，而卷积层和降采集层均为多个，并且交替设置，即每个卷积层之后对应设置有一个降采集层；
第三步，数据集训练及模型优化；
第四歩，利用优化好的深度学习算法，在线检测识涂胶面的缺陷。


2.根据权利要求1所述的基于深度学习的涂布缺陷检测方法，其特征在于，第二步训练过程具体如下：
构造多层卷积神经网络；
利用训练样本集，采用ADAM算法对多层卷积神经网络的误差梯度做最速下降优化，离线训练构造多层卷积神经网络。


3.根据权利要求2所...

【专利技术属性】
技术研发人员：卢岩，
申请(专利权)人：苏州岩建智能科技有限公司，
类型：发明
国别省市：江苏;32