[发明专利]基于人工神经网络的物件表面型态的筛选方法

权利要求书

1.一种基于人工神经网络的物件表面型态的筛选方法，其特征在于，包括：

接收至少一物件影像；

以一第一预测模型进行各该物件影像的表面型态识别以分类为一第一正常群组与一第一异常群组的其中之一；

以一第二预测模型进行该第一正常群组的输出的表面型态识别以分类为一第二正常群组与一第二异常群组的其中之一。

2.如权利要求1所述的基于人工神经网络的物件表面型态的筛选方法，其特征在于，还包括：以不同训练条件执行深度学习以分别建立该第一预测模型和该第二预测模型。

3.如权利要求1所述的基于人工神经网络的物件表面型态的筛选方法，其特征在于，还包括：

转换该至少一物件影像为至少一矩阵；

其中以该第一预测模型进行各该物件影像的该表面型态识别的步骤包括以该至少一矩阵执行该第一预测模型。

4.如权利要求1所述的基于人工神经网络的物件表面型态的筛选方法，其特征在于，还包括：

正规化该至少一物件影像；

转换正规化后的该至少一物件影像为至少一矩阵；

其中以该第一预测模型进行各该物件影像的该表面型态识别的步骤包括以该至少一矩阵执行该第一预测模型。

5.如权利要求1所述的基于人工神经网络的物件表面型态的筛选方法，其特征在于，还包括：

划分各该物件影像为多个影像区域；

指定各该物件影像的该多个影像区域中的至少一感兴趣区域；

其中以该第一预测模型进行各该物件影像的该表面型态识别的步骤的步骤包括：以各该物件影像的该至少一感兴趣区域执行该第一预测模型。

6.如权利要求1所述的基于人工神经网络的物件表面型态的筛选方法，其特征在于，该至少一物件影像包括基于不同打光方位的光线拍摄一物件而得的多个物件影像，以及该筛选方法还包括：

叠合该物件的该多个物件影像为一初始影像；

其中以该第一预测模型进行各该物件影像的该表面型态识别的步骤包括：以该初始影像执行该第一预测模型。

7.如权利要求1所述的基于人工神经网络的物件表面型态的筛选方法，其特征在于，该第一正常群组的输出包括该至少一物件影像，以及该筛选方法还包括：

转换该第一正常群组中的各该物件影像为矩阵；

其中以该第二预测模型进行该第一正常群组的该输出的该表面型态识别的步骤包括以转换后的该矩阵执行该第二预测模型。

8.如权利要求1所述的基于人工神经网络的物件表面型态的筛选方法，其特征在于，该第一正常群组的输出包括该至少一物件影像，以及该筛选方法还包括：

正规化该第一正常群组中的各该物件影像；

转换正规化后的各该物件影像为矩阵；

其中以该第二预测模型进行该第一正常群组中的该输出的该表面型态识别的步骤包括以转换后的该矩阵执行该第二预测模型。

9.如权利要求1所述的基于人工神经网络的物件表面型态的筛选方法，其特征在于，该第一正常群组的输出包括该至少一物件影像，以及该筛选方法还包括：

划分该第一正常群组中的各该物件影像为多个影像区域；

指定各该物件影像的该多个影像区域中的至少一感兴趣区域；

其中以该第二预测模型进行该第一正常群组中的该输出的该表面型态识别的步骤包括：以各该物件影像的该至少一感兴趣区域执行该第二预测模型。

10.如权利要求1所述的基于人工神经网络的物件表面型态的筛选方法，其特征在于，该第一正常群组的输出包括该至少一物件影像中的基于不同打光方位的光线拍摄一物件而得的多个物件影像，以及该筛选方法还包括：

叠合该物件的该多个物件影像为一初始影像；

其中以该第二预测模型进行该第一正常群组中的该输出的该表面型态识别的步骤包括：以该初始影像执行该第二预测模型。