一种基于集成学习的深度学习缺陷图像识别方法及系统技术方案

本发明专利技术提供了一种基于集成学习的深度学习缺陷图像识别方法及系统。该方案包括获取所有的缺陷监测图像，生成样本训练集和样本测试集；获取样本训练集通过色彩转换、傅里叶变换、梯度运算和边缘轮廓提取，获得灰度图、频谱图、边缘轮廓图和梯度图，生成第一训练集、第二训练集、第三训练集、第四训练集，并融合生成第五训练集；将第一训练集、第二训练集、第三训练集、第四训练集和第五训练集分别进行深度神经网络训练，生成第一分类器、第二分类器、第三分类器、第四分类器和第五分类器；将所述样本测试集中的图像进行投票，获得目标分类结果。该方案通过多训练集、集成学习方式提高网络模型缺陷识别通用性，实现对多类别缺陷图像识别。

【技术实现步骤摘要】
一种基于集成学习的深度学习缺陷图像识别方法及系统
本专利技术涉及计算机视觉图像识别
，更具体地，涉及一种基于集成学习的深度学习缺陷图像识别方法及系统。
技术介绍
缺陷图像检测的目的是在样本文件中确定存在缺陷的图片，并将其标记。缺陷图像检测一直是工业视觉检测的一个难题。由于人为提取缺陷图像的特征时，很难达到精准切无遗漏的效果。因此，近年来随着深度学习技术的不断发展。越来越多领域中开始考虑采用深度学习方法实现对缺陷图像识别分类。其效果相对于传统的人工缺陷检测方式有了较明显的提升。但是，在本专利技术技术之前，传统的基于深度学习的图像缺陷识别模型存在通用性较差的问题。因此当需要识别多类不同缺陷时，常常存在漏检或检测失败等情况。为此，亟需开发新型缺陷图像识别方法，提高网络模型缺陷识别通用性，实现对多类别缺陷图像识别，提高网络缺陷图像识别准确率。
技术实现思路
鉴于上述问题，本专利技术提出了一种基于集成学习的深度学习缺陷图像识别方法及系统，通过多训练集、集成学习方式提高网络模型缺陷识别通用性，实现对多类别缺陷图像识别。...

【技术保护点】
1.一种基于集成学习的深度学习缺陷图像识别方法，其特征在于，包括：/n获取所有的缺陷监测图像，生成样本训练集和样本测试集；/n获取样本训练集通过色彩转换、傅里叶变换、梯度运算和边缘轮廓提取，获得灰度图、频谱图、边缘轮廓图和梯度图，生成第一训练集、第二训练集、第三训练集、第四训练集；/n根据所述第一训练集、所述第二训练集、所述第三训练集、所述第四训练集融合生成第五训练集；/n将所述第一训练集、所述第二训练集、所述第三训练集、所述第四训练集和所述第五训练集分别进行深度神经网络训练，生成第一分类器、第二分类器、第三分类器、第四分类器和第五分类器；/n将所述样本测试集中的图像输入所述第一分类器、所述第...

【技术特征摘要】
1.一种基于集成学习的深度学习缺陷图像识别方法，其特征在于，包括：
获取所有的缺陷监测图像，生成样本训练集和样本测试集；
获取样本训练集通过色彩转换、傅里叶变换、梯度运算和边缘轮廓提取，获得灰度图、频谱图、边缘轮廓图和梯度图，生成第一训练集、第二训练集、第三训练集、第四训练集；
根据所述第一训练集、所述第二训练集、所述第三训练集、所述第四训练集融合生成第五训练集；
将所述第一训练集、所述第二训练集、所述第三训练集、所述第四训练集和所述第五训练集分别进行深度神经网络训练，生成第一分类器、第二分类器、第三分类器、第四分类器和第五分类器；
将所述样本测试集中的图像输入所述第一分类器、所述第二分类器、所述第三分类器、所述第四分类器和所述第五分类器进行投票，获得目标分类结果。


2.如权利要求1所述的一种基于集成学习的深度学习缺陷图像识别方法，其特征在于，所述获取所有的缺陷监测图像，生成样本训练集和样本测试集，具体包括：
获取所有的待缺陷检测图像，并将其压缩至预设大小，存储为预设大小彩色图像，其中，所述预设大小的长度和宽度均为100像素；
将所有的所述预设大小彩色图像存储到图片样本集；
从所述图片样本集中提取出预设数量的样本，保存到所述样本训练集，其中，预设数量不大于所述图片样本集中的图像总数；
将所述图片样本集中剩余的样本存储到所述样本测试集。


3.如权利要求1所述的一种基于集成学习的深度学习缺陷图像识别方法，其特征在于，所述获取样本训练集通过色彩转换、傅里叶变换、梯度运算和边缘轮廓提取，获得灰度图、频谱图、边缘轮廓图和梯度图，生成第一训练集、第二训练集、第三训练集、第四训练集，具体包括：
将所述样本训练集中的所有彩色图像转换为所述灰度图，并保存到所述第一训练集；
对所述第一训练集中的所有所述灰度图进行傅里叶变换，生成所述频谱图，保存到所述第二训练集；
对所述第一训练集中的所有的所述灰度图进行边缘轮廓提取，生成所述边缘轮廓图，保存到所述第三训练集；
对所述第一训练集中的所有的所述灰度图进行梯度运算，获得所述梯度图，保存到所述第四训练集。


4.如权利要求1所述的一种基于集成学习的深度学习缺陷图像识别方法，其特征在于，所述根据所述第一训练集、所述第二训练集、所述第三训练集、所述第四训练集融合生成第五训练集，具体包括：
获取所述第一训练集、所述第二训练集、所述第三训练集、所述第四训练集中的全部图像；
在所述第一训练集、所述第二训练集、所述第三训练集和所述第四训练集中对同一彩色图像对应的所述灰度图、所述频谱图、所述边缘轮廓图和所述梯度图进行提取，拼接为一张预设尺寸的合成训练图，其中，所述预设尺寸的长度和宽度均为200像素；
将所有的所述合成训练图保存到第五训练集。


5.如权利要求1所述的一种基于集成学习的深度学习缺陷图像识别方法，其特征在于，所述梯度运算采用sobel算子；所述边缘轮廓提取采用canny算子。


6.如权利要求1所述的一种基于集成学习的深度学习缺陷图像识别方法，其特征在于，所述将所述第一训练集、所述第二训练集、所述第三训练集、所述第四训练集和所述第五训练集分别进行深度神经网络训练，生成第一分类器、第二分类器、第三分类器、第四分类器和第五分类器，具体包括：
获得所述第一训练集，通过单类图像神经网络进行训练，训练完成后，生成所述第一分类器；
获得所述第二训练集，通过单类图像神经网络进行训练，训练完成后，生成所述第二分类器；
获得所述第三训练集，通过单类图像神经网络进行训练，训练完成后，生成所述第三分类器；
获得所述第四训练集，通过单类图像神经网络进行训练，训练完成后，生成所述第四分类器；
获得所述第五训练集，通过融合图像神经网络进行训练，训练完成后，生成所述第五分类器。


7.如权利要...

【专利技术属性】
技术研发人员：刘伟鑫，徐晨，周松斌，
申请(专利权)人：广东省科学院智能制造研究所，
类型：发明
国别省市：广东;44