基于深度学习的瑕疵自主检测方法以及相关装置制造方法及图纸

本发明专利技术涉及图像处理领域，公开了一种基于深度学习的瑕疵自主检测方法以及相关装置。该方法包括：激活预置光源的单色光照，并拍摄获取待检测产品的产品图像集；依次查询所述单色光照对应的解析算法，以及基于所述解析算法对所述产品图像集中所述单色光照对应的产品图像进行分析处理，得到结果向量；根据预置激活函数，对所述结果向量进行激活处理，得到分类结果。结果。结果。

【技术实现步骤摘要】
基于深度学习的瑕疵自主检测方法以及相关装置


[0001]本专利技术涉及图像处理领域，尤其涉及一种基于深度学习的瑕疵自主检测方法以及相关装置。

技术介绍

[0002]金属制品表面质量检测工业生产中的作用日趋显著。金属表面缺陷是影响成品质量的重要因素，金属表面缺陷大小及严重程度是衡量金属制品质量的重要指标，亦是用户最关心和最直观的质量指标，对产品质量起决定性的作用。目前，在金属制品中，如高温连铸坯表面、带钢表面等缺陷的检测，主要是人工抽样检查(抽检率为100％左右)，受现场客观条件和个人主观因素的影响易出现误判或错判，这种落后的检测手段已无法满足现代钢铁工业发展的要求。例如传统的涡流检测和漏磁检测外观瑕疵。但他们都是只能检测单一的瑕疵类型，例如外观的划伤或者撞击缺陷，但对于外观的脏污或者有无以及电镀颜色不均的瑕疵基本无法进行检测。
[0003]随着人工智能和深度学习最近几年的发展，使得传统的光学方法获得重新的发展，通过更新的光学取像方法，使得金属表面的瑕疵可以进行机器学习进行分类处理和判定，使得瑕疵的分类更加智能快捷化。但是，如何实现人工智本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的瑕疵自主检测方法，其特征在于，包括步骤：激活预置光源的单色光照，并拍摄获取待检测产品的产品图像集；依次查询所述单色光照对应的解析算法，以及基于所述解析算法对所述产品图像集中所述单色光照对应的产品图像进行分析处理，得到结果向量；根据预置激活函数，对所述结果向量进行激活处理，得到分类结果。2.根据权利要求1所述的基于深度学习的瑕疵自主检测方法，其特征在于，所述依次查询所述单色光照对应的解析算法，以及基于所述解析算法对所述产品图像集中所述单色光照对应的产品图像进行分析处理，得到结果向量包括：依次查询所述单色光照对应的卷积向量；在所述产品图像集中抓取所述单色光照对应的产品图像，对所述产品图像进行灰度化处理，得到灰度产品图像；提取所述灰度产品图像所有的灰度值，基于所有所述灰度值构建出所述灰度产品图像对应的图像特征矩阵；基于预置卷积步长，将所述卷积向量对所述图像特征矩阵进行卷积处理，得到特征提取矩阵；查询所述单色光照对应的特异权重矩阵集，基于所述特异权重矩阵集对矩阵对所述特征提取矩阵进行解析处理，得到结果向量。3.根据权利要求2所述的基于深度学习的瑕疵自主检测方法，其特征在于，所述查询所述单色光照对应的特异权重矩阵集，基于所述特异权重矩阵集对矩阵对所述特征提取矩阵进行解析处理，得到结果向量包括：查询所述单色光照对应的特异权重矩阵集；读取所述特异权重矩阵集中特异权重矩阵的排列序号，基于所述排列序号将所述特异权重矩阵集中的特异权重矩阵与所述特征提取矩阵进行乘积，得到结果向量。4.根据权利要求1所述的基于深度学习的瑕疵自主检测方法，其特征在于，在所述激活预置光源的单色光照，并拍摄获取待检测产品的产品图像集之后，在所述依次查询所述单色光照对应的解析算法之前，还包括：将所述产品图像集中的产品图像转换为YCbCr图像，其中，Y为亮度，Cb为RBG输入信号蓝色部分与RGB信号亮度值之差，Cr是RGB输入信号红色部分与RGB信号亮度值之差；基于预置高斯函数，对所述YCbCr图像中的Y分量进行滤波处理，得到滤波Y分量；根据所述滤波Y分量，调整所述YCbCr图像，得到过滤YCbCr图像；将所过滤YCbCr图像转换为RGB图像，将转换后的RGB图像确定为新的产品图像，生成新的产品图像集。5.根据权利要求4所述的基于深度学习的瑕疵自主检测方法，其特征在于，所述基于预置高斯函数，对所述YCbCr图像中的Y分量进行滤波处理，得到滤波Y分量包括：根据对数转换公式F(Y)＝log2Y，对所述YCbCr图像中的Y分量进行转换处理，得到所述YCbCr图像中的F(Y)分量；根据预置高斯函数，对所述F(Y)分量进行滤波处理，得到滤波F(Y)值，将所述滤波F(Y)...

【专利技术属性】
技术研发人员：王红磊，皮佳佳，宫晓达，郑铁帅，
申请(专利权)人：深圳锦绣创视科技有限公司，
类型：发明
国别省市：