一种基于深度学习的电子纸表面缺陷检测方法及系统技术方案

本发明专利技术属于电子纸表面缺陷检测技术领域，具体涉及一种基于深度学习的电子纸表面缺陷检测方法、系统、平台及存储介质。本发明专利技术通过方法实时获取电子纸非显著性缺陷图像数据集，并根据所述数据集构建网络结构；结合设定的参数数据，生成与所述数据集相应的模型；对所述模型实时训练，并实时保存完成训练的模型；根据所述完成训练的模型，实时生成电子纸非显著性缺陷检测数据，以及与方法相应的系统、平台，存储介质。可以实现在有限数据的情况下尽可能地提高模型的检测精度。提高模型的检测精度。提高模型的检测精度。

【技术实现步骤摘要】
一种基于深度学习的电子纸表面缺陷检测方法及系统


[0001]本专利技术属于电子纸表面缺陷检测
，具体涉及一种基于深度学习的电子纸表面缺陷检测方法、系统、平台及存储介质。

技术介绍

[0002]现阶段，针对电子纸的表面缺陷检测系统尚未投入量产，大部分均处在研发状态。对于电子纸的非显著性缺陷(如聚团状的黑点、点连线)与背景的差异小，无明确的尺寸定义，现目前主要以人眼能否明显观测出来为依据，如图13所示。对于非显著性缺陷，无法使用特征识别方法处理。
[0003]因此，针对以上针对电子纸的表面缺陷检测系统尚未投入量产，大部分均处在研发状态。对于电子纸的非显著性缺陷与背景的差异小，无明确的尺寸定义，现目前主要以人眼能否明显观测出来为依据，对于非显著性缺陷，无法使用特征识别方法处理的技术问题缺陷，急需设计和开发一种基于深度学习的电子纸表面缺陷检测方法、系统、平台及存储介质。

技术实现思路

[0004]为克服上述现有技术存在的不足及困难，本专利技术之目的在于提供一种基于深度学习的电子纸表面缺陷检测方法、系统、平台及存储介质，可以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的电子纸表面缺陷检测方法，其特征在于所述方法具体包括如下步骤：实时获取电子纸非显著性缺陷图像数据集，并根据所述数据集构建网络结构；结合设定的参数数据，生成与所述数据集相应的模型；对所述模型实时训练，并实时保存完成训练的模型；根据所述完成训练的模型，实时生成电子纸非显著性缺陷检测数据。2.根据权利要求1所述的一种基于深度学习的电子纸表面缺陷检测方法，其特征在于所述结合设定的参数数据，生成与所述数据集相应的模型，还包括如下步骤：选择相应的损失函数，结合设定的参数数据，完成模型构建。3.根据权利要求1或2所述的一种基于深度学习的电子纸表面缺陷检测方法，其特征在于所述结合设定的参数数据，生成与所述数据集相应的模型，还包括如下步骤：对数据集中的数据实时数据增强处理；根据遗传学习自适应的计算生成相应的锚框值，并实时对图片进行自适应缩放处理。4.根据权利要求3所述的一种基于深度学习的电子纸表面缺陷检测方法，其特征在于所述根据遗传学习自适应的计算生成相应的锚框值，还包括如下步骤：根据预设尺寸的锚框将目标框住，并与真实框进行比对；实时调整预设尺寸锚框和真实框之间的差距，并更新锚框相应的网络参数数据。5.根据权利要求1所述的一种基于深度学习的电子纸表面缺陷检测方法，其特征在于所述对所述模型实时训练，并实时保存完成训练的模型，还包括如下步骤：根据评价指标的变化，实时对所述模型进行内部优化。6.根据权利要求1所述的一种基于深度学习的电子纸表面缺陷检测方法，其特征在于所述根据所述完成训练的模型，实时生成电子纸非显著性缺陷检测数据，还包括如下步骤：获取待检测的电子纸非显著性缺陷图片；根据完成训练的模型判定并生成电子纸非显著性缺陷检测数据。7.一种基于深度学习的电子纸表面缺陷检测系统，其特征在于所述系统具体包括：用于实时获取电子纸非显著性缺陷图像数据集，并根据所述数据集构建网络结构的获取构建单元；用于结合设...

【专利技术属性】
技术研发人员：张金越，王昕彤，黄祖成，杨根，江旭耀，钟名锋，王卫军，
申请(专利权)人：广州先进技术研究所，
类型：发明
国别省市：