[发明专利]一种基于神经网络的外观检测方法和系统

权利要求书

1.一种基于神经网络的外观检测方法，其特征在于，包括：

获取待测目标对象的外观图像；

确定所述外观图像中待测目标区域；

当所述待测目标区域为一个圆形区域或者椭圆形区域时，对所述待测目标区域进行极坐标转换，得到一个矩形区域的中间图像，并对中间图像进行边缘化处理，得到矩形区域中所述待测目标对象的轮廓线；若所述待测目标区域为矩形区域，则直接对所述待测目标区域进行边缘化处理，得到待测目标对象的轮廓线；

将所述轮廓线进行水平灰度投影和垂直灰度投影，分别确定水平灰度投影矩阵和垂直灰度投影矩阵；

根据所述水平灰度投影矩阵和垂直灰度投影矩阵确定所述待测目标对象的特征向量；

将所述特征向量作为多层感知器模型的输入，并根据所述多层感知器模型的输出确定所述待测目标对象的外观形态类型，其中，所述多层感知器模型根据预设样本预先训练得到。

2.根据权利要求1所述的方法，其特征在于，确定所述外观图像中待测目标区域，包括：

根据标准模板在所述外观图像中进行模板匹配，确定待测反射矩阵，其中，所述标准模板根据标准图像预先确定；

根据所述待测反射矩阵和标准反射矩阵，确定相对反射矩阵，其中所述标准反射矩阵是所述标准模板的反射矩阵；

根据所述相对反射矩阵和标准待测目标区域，确定所述待测目标区域，其中所述标准待测目标区域是所述标准图像的待测目标区域。

3.根据权利要求2所述的方法，其特征在于，所述标准模板的确定方法包括：

根据所述标准图像的对比度以及所述待测目标对象的形状和大小，确定预期模板；

根据所述标准图像对所述预期模板进行训练，确定所述标准模板。

4.根据权利要求1所述的方法，其特征在于，所述多层感知器模型的训练方法，包括：

建立多层感知器模型，其中，所述多层感知器模型的输入层单元数根据所述特征向量的向量维数确定，所述多层感知器模型的输出层单元数根据所述待测目标对象的外观形态类型数确定；

将预设样本集的特性向量和对应的标准结果迭代的添加到所述多层感知器模型，获取预设样本对应的训练结果和训练误差；

判断所述训练误差是否大于预设误差；

若是，则将所述训练误差反向传播至所述多层感知器模型，调整所述多层感知器模型的网络参数；

若否，则停止迭代添加，所述多层感知器模型训练完成。

5.根据权利要求4所述的方法，其特征在于，在所述多层感知器模型的训练完成之后，还包括：

根据测试样本对多层感知器模型进行测试，检测测试结果中是否存在误判；

若是，则根据所述测试样本的同类样本对所述多层感知器模型进行优化训练。

6.一种基于神经网络的外观检测系统，其特征在于，包括：

外观图像获取模块，用于获取待测目标对象的外观图像；

待测区域确定模块，用于确定所述外观图像中待测目标区域；

轮廓线获取单元，用于当所述待测目标区域为一个圆形区域或者椭圆形区域时，对所述待测目标区域进行极坐标转换，得到一个矩形区域的中间图像，并对中间图像进行边缘化处理，得到矩形区域中所述待测目标对象的轮廓线；若所述待测目标区域为矩形区域，则直接对所述待测目标区域进行边缘化处理，得到待测目标对象的轮廓线；

灰度投影矩阵确定单元，用于将所述轮廓线进行水平灰度投影和垂直灰度投影，分别确定水平灰度投影矩阵和垂直灰度投影矩阵；

特征向量确定单元，用于根据所述水平灰度投影矩阵和垂直灰度投影矩阵确定所述待测目标对象的特征向量；

形态类型确定模块，用于将所述特征向量作为多层感知器模型的输入，并根据所述多层感知器模型的输出确定所述待测目标对象的外观形态类型，其中，所述多层感知器模型根据预设样本预先训练得到。