[发明专利]基于深度学习的端子缺陷检测方法及系统

权利要求书

1.一种基于深度学习的端子缺陷检测方法，其特征在于，包括：

对图像进行像素级别的缺陷标注，并将图像及其对应的标注信息作为样本库；

利用深度卷积神经网络对预处理后的图片进行多重卷积、池化、ReLu函数激活及损失函数训练得到深度卷积神经网络学习模型；

将待测图像输入到所述深度卷积神经网络学习模型中，输出每个像素对应的缺陷类别的概率；

当输出的像素的概率大于预设缺陷概率阈值时，所述像素判定为NG品像素；

根据所述NG品像素获取缺陷的面积值和尺寸值；

根据所述NG品像素获取缺陷的一次检出率；

当所述一次检出率大于或小于图像的给定不良率时，分别判定为过检或漏检；

将过检或漏检图片传输至所述样本库中；

调整所述预设缺陷概率阈值直至所述一次检出率接近所述给定不良率为止。

2.根据权利要求1所述的基于深度学习的端子缺陷检测方法，其特征在于，所述利用深度卷积神经网络对预处理后的图片进行多重卷积、池化、ReLu函数激活及损失函数训练得到深度卷积神经网络学习模型，包括：

对所述样本库中的图像进行样本增强，所述样本增强包括对图像进行旋转、镜像或噪声处理；

对样本库中的原图经过多重卷积得到特征图；

对所述特征图池化、ReLu函数激活及损失函数训练后得到深度卷积神经网络学习模型。

3.根据权利要求1所述的基于深度学习的端子缺陷检测方法，其特征在于，所述将待测图像输入到所述深度卷积神经网络学习模型中，输出每个像素对应的缺陷类别的概率，包括：

输出所述像素缺陷类别和对应的概率。

4.根据权利要求1所述的基于深度学习的端子缺陷检测方法，其特征在于，所述当输出的像素的概率大于预设缺陷概率阈值时，所述像素判定为NG品像素，包括：

预设缺陷概率阈值；

判断输出的像素的概率和所述预设的缺陷概率阈值；

当所述输出的像素的概率大于所述预设缺陷概率阈值时，所述像素判定为NG品像素。

5.根据权利要求1所述的基于深度学习的端子缺陷检测方法，其特征在于，所述根据所述NG品像素获取缺陷的面积值和尺寸值，包括：

将所有的所述NG品像素合并得到绘制的缺陷区；

根据所述缺陷区获取缺陷的面积值和尺寸值，其中所述面积值为所述缺陷区内像素的总个数，所述尺寸值为沿所述缺陷区周向绘制的最小矩形的周长。

6.根据权利要求1所述的基于深度学习的端子缺陷检测方法，其特征在于，所述根据所述NG品像素获取缺陷的一次检出率，包括：

所述一次检出率为所述NG品像素个数占全部像素个数的比率。

7.根据权利要求1所述的基于深度学习的端子缺陷检测方法，其特征在于，所述当所述一次检出率大于或小于图像的给定不良率时，分别判定为过检或漏检，包括：

当所述一次检出率大于所述图像的给定不良率时，判定为过检；

当所述一次检出率小于所述图像的给定不良率时，判定为漏检。

8.根据权利要求1所述的基于深度学习的端子缺陷检测方法，其特征在于，所述将过检或漏检图片传输至所述样本库中，包括：

将过检或漏检图片标记后传输至所述样本库中；

利用深度卷积神经网络对所述样本库二次进行多重卷积、池化、ReLu函数激活及损失函数训练得到深度卷积神经网络学习模型。

9.根据权利要求1所述的基于深度学习的端子缺陷检测方法，其特征在于，所述调整所述预设缺陷概率阈值直至所述一次检出率接近所述给定不良率为止，包括：

调整所述预设缺陷概率阈值；

当输出的像素的概率大于调整后的预设缺陷概率阈值时，所述像素判定为NG品像素；

根据所述NG品像素获取缺陷的面积值和尺寸值；

根据所述NG品像素获取缺陷的一次检出率；

当所述一次检出率大于或小于图像的给定不良率时，分别判定为过检或漏检。

10.一种基于深度学习的端子缺陷检测系统，其特征在于，所述系统包括：

样本库获取模块，用于对图像进行像素级别的缺陷标注，并将图像及其对应的标注信息作为样本库；

深度卷积神经网络学习模型训练模块，用于利用深度卷积神经网络对预处理后的图片进行多重卷积、池化、ReLu函数激活及损失函数训练得到深度卷积神经网络学习模型；

概率获取模块，用于将待测图像输入到所述深度卷积神经网络学习模型中，输出每个像素对应的缺陷类别的概率；

NG品像素判定模块，用于当输出的像素的概率大于预设缺陷概率阈值时，所述像素判定为NG品像素；

缺陷面积和尺寸获取模块，用于根据所述NG品像素获取缺陷的面积值和尺寸值；

一次检出率获取模块，用于根据所述NG品像素获取缺陷的一次检出率；

过检或漏检判定模块，用于当所述一次检出率大于或小于图像的给定不良率时，分别判定为过检或漏检；

样本库更新模块，用于将过检或漏检图片传输至所述样本库中；

缺陷概率阈值调整模块，用于调整缺陷概率阈值直至所述一次检出率接近所述给定不良率为止。