[发明专利]一种基于深度学习的银质丝材表面瑕疵识别方法

权利要求书

1.一种基于深度学习的银质丝材表面瑕疵识别方法，其特征在于，包括如下步骤：

S1：图像采集：应用图像采集模块，采集若干待检测的银质丝材原图像，得到原始图像的样本集；

S2：图像预处理：应用图像预处理模块，对步骤S1得到的样本集进行分割，得到待检目标区域，作为统计特征预检测模块的输入；

S3：瑕疵预检测：基于统计特征的瑕疵预检测模块，对步骤S2得到的待检目标区域进行统计特征提取，并据此进行预检测，检测结果作为基于卷积神经网络的瑕疵检测模块的输入；

所述的瑕疵预检测，包括如下步骤：

S31：对步骤S25提取的最大连通组件进行灰度化处理；

S32：灰度化处理后再提取统计特征值；

S33：将提取的统计特征值与统计特征阈值对比；

S34：基于统计特征的预分类，确定样本所属类别；

S4：银质丝材表面瑕疵类别检测：基于卷积神经网络的瑕疵检测模块，对步骤S3的预检测模块判别的瑕疵品进行二次检测，判断具体瑕疵的类别；

所述的银质丝材表面瑕疵检测，包括如下步骤：

S41：构建数据集，对S3统计特征的瑕疵预检测模块处理后的缺陷产品进行图像处理，构建数据集，并将该数据集划分为训练集和测试集；

S42：构建基于AlexNet的卷积神经网络结构，网络结构包括输入层，五层卷积层，三层池化层，三层全连接层，输出层，以ReLu函数作为激活函数，并设局部归一化层和随机失活层，以避免网络过拟合的发生；

S43：构建前向传播训练模型，将瑕疵分类，得到多个类别的置信度，选取最高置信度类别作为样本所属类别；通过前向传播求得样本的预测类别，依据样本预测类别与样本实际类别，计算损失函数，损失函数公式为：

其中表示第个样本的实际类别为，为softmax函数的输出，表示将第个样本判别为类别的概率，N表示训练样本集样本总数，K为模型可分辨的类别数，本方法基于AlexNet模型的卷积神经网络的识别类数为11，分别为油污、凹坑、压伤、锯齿、刮花、起泡、起皮、排线挤压、竹节、黑斑，合格品；

S44：构建反向传播测试模型，根据样本实际所属类别以及预测类别，采用基于动量的随机梯度下降法进行反向传播，优化网络结构参数；

基于动量的随机梯度下降法的运算过程如下所示：

其中表示学习率，L表示损失函数，W表示要更新的权重参数，为动量值，设为0.5，等效于物体的速度，初始化时设置为0；

S45：重复执行S43和S44，直至获得预期准确率的模型，保存模型，用于检测测试集；

S46：应用S45所得模型对测试集进行测试，得到测试样本所属类别，即银质丝材表面瑕疵识别结果。

2.根据权利要求1所述的银质丝材表面瑕疵识别方法，其特征在于：

S2所述的图像预处理，包括如下步骤：

S21：对原始图像进行分割处理，得到待检目标区域；

S22：对待检目标区域进行灰度化处理；

S23：对灰度化处理后的图像进行二值化处理；

S24：对二值化处理后的图像进行形态学处理，包括取反、腐蚀或膨胀操作，消除待检目标区域的小孔洞；

S25：对形态学处理后的图像进行连通组件搜寻，提取最大连通组件。