[发明专利]一种刷具多种缺陷的AI检测方法

权利要求书

1.一种刷具多种缺陷的AI检测方法，其特征在于，包括以下步骤：

S1：获取牙刷表面的原始图像数据；

S2：将所述原始图像数据，通过图像处理转换为灰度图，并对缺陷牙刷图像的缺陷进行标注，按照预设的样本比例，完成缺陷特征样本及无缺陷特征样本的构建；

S3：按照分割网络结合多标签分类网络的方式搭建好初始卷积神经网络模型后，输入所述特征样本，激活预设的卷积神经网络模型，根据预设训练代数、网络参数进行迭代训练，完成模型测试后，保存训练好的卷积神经网络模型；

S4：将待检测的样本图像数据输入所述训练好的卷积神经网络模型中进行识别。

2.根据权利要求1所述的刷具多种缺陷的AI检测方法，其特征在于，所述缺陷特征样本的数量少于或等于30张，且其中无缺陷特征样本的数量与缺陷特征样本的数量保持均衡。

3.根据权利要求1所述的刷具多种缺陷的AI检测方法，其特征在于，所述步骤S2还包括样本特征标记方法，所述样本特征标记方法包括以下流程：

对所述原始图像对应的灰度图进行去噪、滤波、分辨率调整处理使样本图像便于分割，再针对缺陷特征进行图像分割，并通过二值化、区域提取获取二值化的缺陷特征，最后把原始图像的二值化的缺陷特征区域设为白色，其余区域为黑色，完成特征标记。

4.根据权利要求1所述的刷具多种缺陷的AI检测方法，其特征在于，所述分割网络用于对刷具表面的缺陷进行像素级定位。

5.根据权利要求1所述的刷具多种缺陷的AI检测方法，其特征在于，所述卷积神经网络模型的分割网络由11个卷积层和3个最大池化层组成，每个卷积层后面都有一个特征归一化和一个非线性ReLU层，特征归一化将每个通道归一化为具有单位方差的零均值分布。

6.根据权利要求5所述的刷具多种缺陷的AI检测方法，其特征在于，前9个卷积层使用5x 5的内核大小，后2个层分别使用15 x 15和1 x 1的内核大小。

7.根据权利要求6所述的刷具多种缺陷的AI检测方法，其特征在于，将所述分割网络的第10层卷积层与分割网络的最后单通道输出映射图连接在一起，生成具有1025通道的层，作为所述多标签分类网络的最大池化层和5×5卷积层的输入，所述最大池化层和5×5卷积层重复3次，其中第一，第二和第三卷积层分别具有8、16和32个通道，所述多标签分类网络最后执行全局最大池化和平均池化。所述多标签分类网络的另一输入为所述分割网络的单通道输出映射图，其特征在于，所述单通道输出映射图执行全局最大池化和平均池化，与所述多标签分类网络最后执行全局最大池化和平均池化的结果拼接成最终输出层。

8.根据权利要求1－7任一项所述的刷具多种缺陷的AI检测方法，其特征在于，所述分割网络的参数优化方式及所述多标签分类网络的优化方式为采用动量参数及学习率衰减参数的随机梯度下降法优化。

9.根据权利要求8所述的刷具多种缺陷的AI检测方法，其特征在于，所述分割网络和多标签分类网络最后一层都使用sigmoid函数作为激活函数，而且训练阶段都采用二分类交叉熵作为损失函数：

在分割网络中，i是单个像素序号，n是图像像素总数和，y_i是第i个像素的期望输出，表示第i个像素的原始实际输出；

在多标签分类网络中，i是图像序号，n是图像总数量，y_i是第i张图像分类的期望输出，表示第i张图像分类的原始实际输出。