基于深度学习和稀疏表示模型的基建表面缺陷检测方法技术

本发明专利技术公开了基于深度学习和稀疏表示模型的基建表面缺陷检测方法，由以下步骤组成：利用缺陷训练集和正常训练集对卷积神经网络模型进行训练；利用训练后的卷积神经网络模型进行特征提取，并输入到稀疏表示模型中，求解每一张图像关于正常特征字典D

【技术实现步骤摘要】
基于深度学习和稀疏表示模型的基建表面缺陷检测方法


[0001]本专利技术属于缺陷检测
，尤其涉及基于深度学习和稀疏表示模型的基建表面缺陷检测方法。

技术介绍

[0002]随着我国社会经济的不断发展以及生产制造业的不断进步，不断涌现的各种类型的产品、设备以及设施极大满足了人们的生产与生活的需求，并逐渐成为人们日常生活中不可或缺的一部分。但这些产品、设备以及设施在使用过程中，由于折损老化、人工操作不当以及自然破坏等原因，会不可避免地产生缺陷。例如：电子产品中PCB板材的蚀刻缺陷、工业钢材的表面缺陷、木制材料的表面缺陷以及基础设施的表面缺陷等。这些物体表面缺陷会对产品的性能以及使用安全造成不同程度的影响，严重的还可能会危及到使用者的生命安全。因此，对物体表面缺陷进行有效地检测对提高社会生产生活的安全具有十分重要的实际意义。在目前一些工业和民用建筑的桥梁、隧道以及公路等许多基础设施上经常能够观察到裂缝缺陷的存在，其中一些裂缝缺陷的存在会使得基础设施的使用安全得不到保障。
[0003]早期的物体表面缺陷检测主要通过人工目视或者人工操作特定仪本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习和稀疏表示模型的基建表面缺陷检测方法，其特征在于，由以下步骤组成：步骤S1：采集基建表面的图像形成图像集，将图像集中存在缺陷的图像归为一类形成缺陷样本集，将图像集中表现正常的图像归为一类形成正常样本集；将缺陷样本集分为缺陷训练集和缺陷验证集，将正常图像集分为正常训练集和正常验证集；步骤S2：利用缺陷训练集和正常训练集对卷积神经网络模型进行训练；步骤S3：利用训练后的卷积神经网络模型对缺陷训练集和正常训练集的特征进行分别提取得到缺陷特征字典D
def
和正常特征字典D
nor
；步骤S4：利用训练后的卷积神经网络模型对正常验证集进行特征提取得到正常验证集特征f
top
，将正常特征字典D
nor
与正常验证集特征f
top
输入到稀疏表示模型中，求解正常验证集中每一张图像关于正常特征字典D
nor
的重构误差r
nor
，设定正常特征字典阈值δ
nor
，并保证正常验证集中90％图像的重构误差r
nor
＜正常特征字典阈值δ
nor
；步骤S5：利用训练后的卷积神经网络模型对缺陷验证集进行特征提取得到缺陷验证集特征v
def
，将缺陷特征字典D
def
与缺陷验证集特征v
def
输入到稀疏表示模型中，求解缺陷验证集中每一张图像关于缺陷特征字典的重构误差r
def
，设定缺陷特征字典阈值δ
def
，并保证缺陷验证集中90％图像的重构误差r
def
＜缺陷特征字典阈值δ
def
；步骤S6：利用训练后的卷积神经网络模型对待测图像进行特征提取得到待测图像特征集f
test
，将待测图像特征集f
test
与正常特征字典D
nor
输入到稀疏表示模型中计算得到稀疏系数α
nor
和重构误差t
nor
，步骤S7：当t
nor
＞δ
nor
时，将待测图像特征集f
test
与缺陷特征字典D
def
输入到稀疏表示模型中计算得到稀疏系数α
def
和重构误差t
def
；步骤S8：当t
nor

【专利技术属性】
技术研发人员：梅少辉，张易凡，徐梓瑞，马明阳，张顺，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：