一种基于深度学习的工件表面缺陷检测和分割方法技术

本发明专利技术提供一种基于深度学习的工件表面缺陷检测和分割方法，步骤一，采集待检测工件的图像信息；步骤二，构建分割网络，将采集的图像信息作为分割网络的输入；通过所述分割网络对工件表面缺陷进行像素定位，并以逐像素损失训练该分割网络，将每个像素视为一个单独的训练样本；步骤三，执行二进制图像分类，并在分割网络上构建附加网络，步骤四，完成卷积后，决策网络执行全局最大池化和全局平均池化，产生若干输出神经元；步骤五，对分割网络输出图进行全局最大池化和全局平均池化；充分利用了深度学习的潜力，能够实现更高进度的检测，并对分割和决策网络的架构进行了优化，增加感受野的大小并提高网络捕获小细节的能力。大小并提高网络捕获小细节的能力。大小并提高网络捕获小细节的能力。

【技术实现步骤摘要】
一种基于深度学习的工件表面缺陷检测和分割方法


[0001]本专利技术涉及工件检测
，具体涉及一种基于深度学习的工件表面缺陷检测和分割方法。

技术介绍

[0002]现代工业流程中保障产品质量的一个最重要的任务就是检测产品的表面是否达标。产品表面的品控经常是由经过训练的工人手动检测复杂的表面缺陷，这导致整个品控的流程非常耗时且阻碍了产能。
[0003]目前深度学习越来越广泛地应用于缺陷检测领域，专利Steel defect classification with Max
‑
Pooling Convolutional Neural Network(使用最大池化的卷积网络对钢材缺陷分类)提出的方法仅限于浅层网络，因为他们并没有使用ReLU和batch normalization。
[0004]专利OverFeat(Integrated Recognition,Localization and Detection using Convolutional Networks,使用卷积网络集成缺陷识别和定位)发现训练深层本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的工件表面缺陷检测和分割方法；其特征在于，其包括以下步骤：步骤一，采集待检测工件的图像信息；步骤二，构建分割网络，将采集的图像信息作为分割网络的输入；通过所述分割网络对工件表面缺陷进行像素定位，并以逐像素损失训练该分割网络，将每个像素视为一个单独的训练样本；所述分割网络包括11个卷积层和下采样层，每个卷积层后都带有一个批归一化层和一个非线性ReLU层；所述卷积层中的前九个卷积层采用5
×
5大小的卷积核，后两层分别采用15
×
15和1
×
1大小的卷积核；每个卷积层配备分配不同数量的通道，使得输出图在应用1
×
1卷积层以减少输出通道之后获得；步骤三，执行二进制图像分类，并在分割网络上构建附加网络，该附加网络作为决策网络，将分割网络的15
×
15卷积核对应的卷积层卷积后的输出和1
×
1卷积核对应的卷积层卷积后的输出连接在一起作为决策网络的输入；所述决策网络为带有下采样层的多个卷积层；步骤四，完成卷积后，决策网络执行全局最大池化和...

【专利技术属性】
技术研发人员：杨明伦，吴佳田，王胤睿，
申请(专利权)人：辛米尔视觉科技上海有限公司，
类型：发明
国别省市：