【技术实现步骤摘要】
基于扩充样本的深度学习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
,具体涉及一种基于扩充样本的深度学习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。此外,由于较难获取大量的带缺陷的图像数据,并且还需要对这些数据进行繁重标注工作,这导致现有的深度学习检测方法成本太高,而且,在检测时,图像数据存在大量的冗余信息。
[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,此外,由于较难获取大量的带缺陷的图像数据,并且还需要对这些数据进行繁重标注工作,这导致现有的深度学习检测方法成本太高,以及在检测时,图像数据存在大量的冗余信息的技术问题缺陷,急需设计和开发一种基于扩充样本的深度学习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扩充样本的深度学习电子纸表面缺陷检测方法、系统、平台及存储介质,可以分离检测目标和背景,再通过模 ...
【技术保护点】
【技术特征摘要】
1.一种基于扩充样本的深度学习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:实时获取电子纸表面缺陷图像数据集,并分别对所述获取到的数据集实时目标和背景分离处理;根据分离处理后的数据集,通过模拟的检测目标和不同的背景实时融合处理,并生成扩充数据集;根据扩充数据集,构建网络结构,并结合设定的参数数据,生成与所述扩充数据集相应的模型;对所述模型实时训练,实时保存完成训练的模型,并根据所述完成训练的模型,实时生成电子纸表面缺陷检测数据。2.根据权利要求1所述的一种基于扩充样本的深度学习电子纸表面缺陷检测方法,其特征在于所述实时获取电子纸表面缺陷图像数据集,并分别对所述获取到的数据集实时目标和背景分离处理,还包括如下步骤:实时对数据集进行目标标记;根据标记后的数据集,生成区分目标以及除去目标外背景的图片。3.根据权利要求2所述的一种基于扩充样本的深度学习电子纸表面缺陷检测方法,其特征在于所述根据标记后的数据集,生成区分目标以及除去目标外背景的图片,还包括如下步骤:获取数据集中所有样本的目标和背景图片;分别生成一个目标图像集和一个背景图像集。4.根据权利要求1所述的一种基于扩充样本的深度学习电子纸表面缺陷检测方法,其特征在于所述根据分离处理后的数据集,通过模拟的检测目标和不同的背景实时融合处理,并生成扩充数据集,还包括如下步骤:于背景图像的左下角生成坐标原点,并根据随机函数rand生成坐标A;其中:坐标A在背景图像的范围内;依次于背景图像集中获取至少一张图片image1,并获取A点的位置数据;于目标图像集中随机获取至少一张图片image2;将图片image2的左下角或右上角与图片image1上的A点进行重合,再将整张图片image2映射到所述图片image1上,实现融合。5.根据权利要求1或4所述的一种基于扩充样本的深度学习电子纸表面缺陷检测方法,其特征在于所述根据分离处理后的数据集,通过模拟的检测目标和不同的背景实时融合处理,并生成扩充数据集,还包括如下步骤:判定样本扩充是否达标,若达标这执行下一步骤,否则不间断的重复根据分离处理后的数据集,通过模拟的检测目标和不同的背景实时融合处理,并生成扩充数据集步骤。6.根据权利要求1所述的一种基于扩充样本的深度学习电子纸表面缺陷检测方法,其特征在于所述根据扩充数据集,构建网络结构,并结合设定的参数数据,生成与所述扩充数据集相应的模型,还包括如下步骤:对数据集中的数据实时数据增强处理;并根据遗传学习自适应的计算生成相应的锚框值,实时对图片进行自适应缩放处理;
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。7.根据权利要求1所述的一种基于扩充样本的深度学习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,实时保存完成训练的模型,并根据所述完成训练的模型,实时生成电子纸表面缺陷检测数据,还包括如下步骤:根据...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。