[发明专利]基于深度学习的焊点外观类别自动识别方法及系统

权利要求书

1.基于深度学习的焊点外观类别自动识别方法，其特征在于：包括以下步骤：

获取若干焊点外观图像；

根据获取焊点外观图像总数量设置每一批次检测图像数量；

将检测图像输入到卷积神经网络模型进行焊点外观的识别，并输出若干焊点外观图像；

所述卷积神经网络模型是通过标签焊点外观图像进行训练得到的，所述卷积神经网络模型为能识别多类焊点外观图像的模型。

2.根据权利要求1所述的基于深度学习的焊点外观类别自动识别方法，其特征在于，所述焊点外观类别包括正常焊点、粘铜焊点、边缘焊点、重合焊点或不完整焊点中的一种或多种组合。

3.根据权利要求1所述的基于深度学习的焊点外观类别自动识别方法，其特征在于，所述原始数据图像包括为彩色图像。

4.根据权利要求1所述的基于深度学习的焊点外观类别自动识别方法，其特征在于，所述每一批次检测图像的数量按照以下公式计算：

每一批次检测图像数量＝总数量/M+D；

M表示预设图像数量，D表示每一检测批次增加图像数增量。

5.根据权利要求1所述的基于深度学习的焊点外观类别自动识别方法，其特征在于，所述卷积神经网络模型是按照以下步骤进行训练的，具体如下：

获取不同焊点类别图像，将所述图像按照预设比例划分为训练集、验证集或测试集中的一种或几种的组合；

构建卷积神经网络的特征提取部分，以NIN结构的卷积层加多层感知器作为基本模块，每个基本模块设置有卷积层和感知器层；

确定卷积核以及卷积核的膨胀率；

采用全卷积层提取特征；

确定损失函数、softmax分类器和类别构建神经网络；

将训练集和验证集输入神经网络模型进行机器学习训练过程；

直到满足预设条件得到已训练的卷积神经网络模型。

6.基于深度学习的焊点外观类别自动识别系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现以下步骤：

获取若干焊点外观图像；

根据获取焊点外观图像总数量设置每一批次检测图像数量；

将检测图像输入到卷积神经网络模型进行焊点外观的识别，并输出若干焊点外观图像；

所述卷积神经网络模型是通过标签焊点外观图像进行训练得到的，所述卷积神经网络模型为能识别多类焊点外观图像的模型。

7.根据权利要求6所述的基于深度学习的焊点外观类别自动识别系统，其特征在于，所述焊点外观类别包括正常焊点、粘铜焊点、边缘焊点、重合焊点或不完整焊点中的一种或多种组合。

8.根据权利要求6所述的基于深度学习的焊点自动识别系统，其特征在于，所述原始数据图像包括为彩色图像。

9.根据权利要求6所述的基于深度学习的焊点外观类别自动识别系统，其特征在于，所述每一批次检测图像的数量按照以下公式计算：

每一批次检测图像数量＝总数量/M+D；

M表示预设图像数量，D表示每一检测批次增加图像数增量。

10.根据权利要求6所述的基于深度学习的焊点外观类别自动识别系统，其特征在于，所述卷积神经网络模型是按照以下步骤进行训练的，具体如下：

获取不同焊点类别图像，将所述图像按照预设比例划分为训练集、验证集或测试集中的一种或几种的组合；

构建卷积神经网络的特征提取部分，以NIN结构的卷积层加多层感知器作为基本模块，每个基本模块设置有卷积层和感知器层；

确定卷积核以及卷积核的膨胀率；

采用全卷积层提取特征；

确定损失函数、softmax分类器和类别构建神经网络；

将训练集和验证集输入神经网络模型进行机器学习训练过程；

直到满足预设条件得到已训练的卷积神经网络模型。