[发明专利]一种基于深度学习的颗粒产品缺陷检测方法

权利要求书

1.一种基于深度学习的颗粒产品缺陷检测方法，其特征在于，所述方法包括利用工业相机获得目标产品的图像并基于所获得图像通过神经网络进行缺陷识别，所述颗粒产品为封装于铝基药板中的药片，

所述颗粒产品缺陷检测方法包含下述步骤：

步骤S1、获取目标产品的图像；

步骤S2、去除所述图像中的背景信息；

步骤S3、对所有图像进行类别划分和标注；

步骤S4、构建神经网络结构，利用经标注的图像数据进行神经网络权重训练；

步骤S5、基于经训练的模型，利用被检测产品的图像对被检测产品进行检测，

其中，采用如下方式构建卷积神经网络模型：

A:构建卷积神经网络的输入层，将尺寸为64×64的正常药片和残次药片的图像输入卷积神经网络，作为网络的输入层；

B:构建卷积层，根据输入层的尺寸大小，第一个卷积层选择了7×7大小的卷积核，步长为1，填充设置为3，维度为24维，这样每一张药片图像，经过第一个卷积层处理后，得到64×64×24维特征；

C:构建池化层，对卷积层输出的特征图用3×3大小的卷积核进行取极值或取平均操作，提取更为全局的特征，防止过拟合；

D:重复B和C的步骤，继续构建四个卷积层和三个池化层，最终输出的特征维度为8×8×64；

E:构建全连接层，通过训练拟合得到特征相似性度量；

F:构建第二层和第三层的全连接层，最终输出一个二维特征，实现对目标的二分类；

G:构建输出层，使用Softmax函数对全连接层的输出结果进行处理，输出最终结果；

所述步骤S2包括：对目标图像进行空间转换，将RGB转换成XYZ图像，再转换成LAB图像，并基于转换后的图像进行图像分割，去除图像背景获得目标区域；对目标区域进行HOG特征提取，并对HOG特征用SVM分类来区分铝基药板和目标药片，该步骤包括：对输入图像进行色彩归一化；构建一个具有预定半径的圆形窗口，以滑窗的形式遍历整张图片，按式(5)的形式计算窗口内的梯度值：

其中，m为梯度幅值，θ为梯度方向，

所述方法还包括：使用一个采样器，在训练集内随机采样，保证一个小批次训练集内正负样本满足1:2的比例。

2.根据权利要求1所述的基于深度学习的颗粒产品缺陷检测方法，其特征在于，在训练阶段所采用的目标产品的图像包括不同光照、不同视角和不同形态的缺陷目标。

3.根据权利要求1所述的基于深度学习的颗粒产品缺陷检测方法，其特征在于，所述步骤S3还包括从所有图片中随机挑选出第一预定百分比作为训练集、第二预定百分比作为交叉验证集，第三预定百分比作为测试集。

4.根据权利要求1所述的基于深度学习的颗粒产品缺陷检测方法，其特征在于，在所述步骤S4中，所构建的神经网络模型为卷积神经网络模型。