基于自主学习网络模型笔记本屏幕缺陷检测方法及介质技术

本发明专利技术的一种基于自主学习网络模型笔记本屏幕缺陷检测方法及介质，包括构建笔记本屏幕检测模型，获取笔记本生产线下的高清摄像头视频进行预处理后输入笔记本屏幕检测模型，对笔记本屏幕生产线高清摄像头的待检测视频进行检测，并得出检测结果；本发明专利技术的基于自主学习网络模型笔记本屏幕缺陷检测方法，即基于自主学习的笔记本屏幕的缺陷检测和分类方法，可降低传统的笔记本生产线时间、资金成本，同时引入智能化检测和分类，对产业转型升级，提升产品质量，增强竞争力具有重大意义。增强竞争力具有重大意义。增强竞争力具有重大意义。

【技术实现步骤摘要】
基于自主学习网络模型笔记本屏幕缺陷检测方法及介质


[0001]本专利技术涉及智能制造缺陷检测
，具体涉及一种基于自主学习网络模型笔记本屏幕缺陷检测方法。

技术介绍

[0002]传统外观缺陷检测方法采用人工检测，具有耗时、人力成本高、误检率高等缺陷，之后工业引入ASI(自动化表面缺陷检测)系统，但大多基于传统的机器视觉技术包括：
[0003]1)基于传统数字图像处理加机器学习的方法。此类方法首先基于人类经验，人工制造特征(特征工程)，之后利用机器学习方法(如支持向量机、模板匹配)训练样本，进而判断笔记本外观是否存在缺陷。
[0004]2)基于深度学习的笔外观缺陷检测方法。相较于传统机器学习方法，深度学习一般不需要各种人工设计图像预处理技术，适应和推广性更强，而且在大样本训练下可以得到更准确的外观缺陷检测结果，近些年得到了广泛的应用。
[0005]在上述两种方法中，前者算法复杂度低，可轻松移植在普通嵌入式设备中，但精度不高，存在误检、漏检等情况，且适应场景较为单一，迁移性差；后者适应性广，精度高，虽避免了复杂的传统特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自主学习网络模型笔记本屏幕缺陷检测方法，其特征在于：包括构建笔记本屏幕检测模型，获取笔记本生产线下的高清摄像头视频进行预处理后输入笔记本屏幕检测模型，对笔记本屏幕生产线高清摄像头的待检测视频进行检测，并得出检测结果；其中，笔记本屏幕检测模型的构建步骤如下：步骤1：针对事先获取的笔记本生产线下的高清摄像头视频，对包含检测目标的视频进行关键帧提取，获取原始样本图片并进行预处理获得一定数量的原始数据集图片；再对原始数据集图片中包含指定生产缺陷的像素区域进行人工标定，获取生产缺陷的坐标信息作为后续训练模型的输入；步骤2：建立缺陷检测网络模型，使用k
‑
means聚类方法，获取数据集中包含缺陷图片的先验框位置，采用交叉熵损失函数，对构建的深度网络模型训练，调整网络模型参数，得到目标检测模型；步骤3：获取生产线高清摄像头的待检测视频，送入预训练好的目标检测模型，直接输出检测结果，对网络模型难以分辨的视频帧，按预测缺陷目标概率大小排序，之后由人对其校验，作为训练样本集，之后模型再反向调整模型参数，如此达到设定次数后，得到稳定的网络模型。2.根据权利要求1所述的基于自主学习网络模型笔记本屏幕缺陷检测方法，其特征在于：所述步骤1包括以下步骤：S11：采集笔记本外观生产线高清摄像头下的检测视频，然后提取包含外观缺陷的视频关键帧原始样本，对原始样本使用“中心式归一化”(mean normalization)图像预处理，构建训练样本集；S12：对数据集图片中包含外观缺陷的像素区域用矩形框进行标注，其中，一张数据集图片中包含多个矩形框，即多处外观缺陷，但每个矩形框仅包含一个待检测的目标，标注后的标签结果按照VOC数据集格式保存在xml文件中；其中，每张图片对应一个同名的xml文件，包含该数据集图片中每个矩形框的中心点坐标信息(x,y)，矩形框的宽w和矩形框的高h；此处对每个batch图片中的标签，即(x,y,w,h)进行了尺寸的归一化，即在原图坐标系下根据原图纵横比不变映射为256*256坐标下的一个子区域，并将变换后的坐标信息存储在xml文件中，作为后续训练模型的输入。3.根据权利要求2所述的基于自主学习网络模型笔记本屏幕缺陷检测方法，其特征在于：所述步骤2中的缺陷检测网络模型包括输入层，GoogLeNet主体骨干网络，AL决策层和输出层，此外由于外观缺陷多为点状或线性结构，因此移除了GoogLeNet中的两个softmax层，加速网络训练；GoogLeNet主体骨干网络是一个22层的深度网络，网络具有三组Inception模块，三组Inception模块被池化层分隔；其中Inception模块为用密集成分来近似最优的局部稀疏结构，该结构将常用的卷积核(1*1，3*3，5*5)、池化操作堆叠在一起，不仅增加了网络深度，而且增加了网络对尺度的适应性；输入图像进尺寸归一化后为224*224*3输入第一层，之后经64个步长2的7*7*3的卷积核输出112*112*64数据，再输入ReLU激活，然后通过最大池化操作降低网络参数，作为Inception模块的输入。
4.根据权利要求3所述的基于自主学习网络模型笔记本屏幕缺陷检测方法，其特征在于：Inception模块的卷积算法如下：输入数据经过
①
64个1*1的卷积核卷积操作，之后由ReLU激活，输出28*28*64；
②
96个1*1的卷积核卷积，然后3*3的卷积核降维，再进行128个3*3的卷积核卷积操作，输出28*28*128；
③
16个1*1的卷积核卷积操作，再由5*5的卷积核降维，输出28*28*16，然后经过ReLU激活，再进行32个5*5的卷积，输出28*28*32；
④
池化层池化操作，通过3*3的卷积核，输出28*28*192，然后使用32个1*1的卷积核，输出28*28*32，最后将四个结果连接，并且对这四部分的输出结果第三维并联，即：64+128+32+...

【专利技术属性】
技术研发人员：许镇义，康宇，曹洋，王伟，
申请(专利权)人：合肥综合性国家科学中心人工智能研究院安徽省人工智能实验室，
类型：发明
国别省市：