[发明专利]一种物体外观检测的方法及深度神经网络模型

说明书

本发明涉及一种物体外观检测的方法及深度神经网络模型，物体外观检测的方法，具体步骤如下：搭建深度神经网络模型；深度神经网络模型通过循环训练学习，具有对外观的辨别能力；根据上述大量的循环训练学习，深度神经网络模型逐渐收敛得出每个特征值的最优权重；对需要检测物体的外观图片进行卷积操作，根据设定的概率区间值得出分类结果。深度神经网络模型，包括训练模块、评估模块和预测模块，本发明解决了人工制定物体外观分类的判断规则所存在的诸多问题，克服了目前人工操作效率低下或传统自动化判断准确率低的问题；同时由于其可持续自我迭代升级，理论上讲其识别效率会不断提高。并且本发明模块简单，硬件成本低廉，应用范围广泛。

【技术领域】

本发明涉及智能的图像识别技术领域，涉及物体外观自动检测，尤其涉及物体外观检测的方法及深度神经网络模型。

【背景技术】

随着工业生产的不断发展及人们对物质需求的不断增加，有些消费性电子产品的年产量已经超过1亿台。目前主流的物体外观检测方法还是靠产线作业员人工目检，根据定义好的判断标准进行检测。人工检测方案，需要大量人力，而且错误率高，效率低下，容易造成产能瓶颈和较高的返厂客诉。为了提高效率，节约人力，同时减少返厂客诉，对自动检测的需求越来越强烈。

目前有些领域也开始尝试用自动检测的方法来代替人工，具体如下，现有的自动检测方法，是根据以前的经验和检测规范，靠技术人员来制定判断规则并用程序来实现。这种方法虽然可以提高工作效率，但因为规则的制定主要靠作业员以往的经验和以前的测试数据，而且人工也很难在大量数据间找到各种数据的相互映射关系，这就导致规则定义偏面，没有遇见的状况无法判断等问题，其规则本身就带着严重的缺陷，这种方法无法从原理上彻底解决这个问题。

鉴于此，本技术领域亟待出现一个能建立全面准确的判定规则，自动迭代升级，高效且易于推广的和准确率高的物体外观检测的方法及深度神经网络模型。

【发明内容】

本发明要解决的技术问题是提供一种物体外观检测的方法。

本发明采用如下技术方案：

本发明提供了一种物体外观检测的方法，具体步骤如下：

搭建卷积神经网络加全链接层作为基础的深度神经网络模型，并录入相关物体图片；

深度神经网络模型通过对物体图片进行循环训练学习，得到物体外观分类与图片特征之间的相互关系，从而具有对外观的辨别能力；

根据上述大量的循环训练学习，深度神经网络模型逐渐收敛得出每个特征值的最优权重；

检测时通过深度神经网络模型获取需要检测物体的外观图片，根据训练得到的一组特征值对相应图像进行卷积操作，再根据特征值的激活情况和对应权重最终得出其分类的概率，最后根据设定的概率区间值得出分类结果。

进一步的，所述方法还包括自动迭代，将判断错误的图片自动加入训练集并在目前最佳权重的模型基础上进行自动训练，并对比训练后的模型的准确率是否超过目前最优权重的准确率，如果超过将自动导入最新的模型，持续对模型进行迭代。

进一步的，在执行训练学习前要先进行图片处理，首先根据人工区分并放置在不同文件夹的图片，就行分类标注，并把所有图片转换成统一大小和格式，再把转换后的图片的每个像素点信息写到指定文件并记录其对应的标注信息

进一步的，所述训练学习为按批次的循环进行，在每次循环训练学习后都会根据误差值求导出每个特征值的新的权重并更新，使得在训练中误差值会逐渐缩小，深度神经网络模型会自动判断训练时模型所处的状态，并自动执行对应操作。

进一步的，所述训练模型所处的状态是根据训练学习结果的准确率，或训练学习结果与验证图片集验证得到验证结果的准确率判断得到。