一种用于机器视觉缺陷检测的深度学习模型训练方法技术

本发明专利技术公开了一种用于机器视觉缺陷检测的深度学习模型训练方法，基于少量缺陷产品外观图像和大量正常产品外观图像进行模型训练，采用负样本扩增方法对少量缺陷产品外观图像进行样本扩增，具体包括如下步骤：将缺陷产品外观图像中的缺陷部分截取出来，形成缺陷图像；对缺陷图像进行扩增处理，形成大量人工缺陷图像；通过图像融合的方式将人工缺陷图像融入到正常产品外观图像中的随机位置，形成人工缺陷产品外观图像；将人工缺陷产品外观图像列入训练样本集用于模型训练。本发明专利技术提供一种负样本扩增方法，能够在负样本稀缺的情况下，快速负样本的扩增，尤其适用于无序产品外观缺陷样本扩增，大大提升了模型训练效果，提高了缺陷产品的检出率。陷产品的检出率。陷产品的检出率。

【技术实现步骤摘要】
一种用于机器视觉缺陷检测的深度学习模型训练方法


[0001]本专利技术涉及深度学习
，尤其涉及是一种用于机器视觉缺陷检测的深度学习模型训练方法。

技术介绍

[0002]在工业生产过程中，对存在缺陷的工件或者产品进行缺陷检测是必不可少的一步，即识别出是否有缺陷以及缺陷的类型。传统工业中对于工件的表面缺陷识别还停留在人工检测阶段，会受到工人的个人因素影响，效率和质量都难以得到保障，传统的人工检测方法已经无法满足工业需求。
[0003]很多生产厂商在质量检测方面投入了大量的人才、物力、财力来研究如何提升产品的表面缺陷检测。机器视觉技术是利用计算机图像处理的技术，对产品的外观缺陷进行自动检测的技术。机器视觉技术已经越来越成熟，成本已经降低到了小型生产厂商可以承受的水平。使用机器视觉检测系统可以实现因人力无法达到的精度及准度。因此，各种生产厂商都可以基于机器视觉的表面缺陷检测方法来达到检测的要求。这种方法可以克服因人工检测方法对产品的低抽检率、低准确性度、差实时性、低效率等弊端。
[0004]传统的机器视觉技术一般使用图像处理算法，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种负样本扩增方法，其特征在于，包括以下步骤：首先，提取少量负样本中的缺陷信息；然后，对缺陷信息进行扩增处理，得到人工缺陷信息；最后，将人工缺陷信息随机融入大量正样本中，形成大量人工负样本。2.根据权利要求1所述的负样本扩增方法，其特征在于，每个负样本缺陷信息均有与之对应的缺陷标记数据。3.根据权利要求1或2所述的负样本扩增方法，其特征在于，所述缺陷信息扩增处理方式包括但不限于放大、缩小、旋转、高斯模糊、均值模糊、USM锐化、拉普拉斯锐化、加入椒盐噪声中的一种或多种。4.一种用于机器视觉缺陷检测的深度学习模型训练方法，基于少量缺陷产品外观图像和大量正常产品外观图像进行模型训练，其特征在...

【专利技术属性】
技术研发人员：林广栋，江凯，王强，黄光红，刘振，
申请(专利权)人：安徽芯纪元科技有限公司，
类型：发明
国别省市：