[发明专利]基于深度残差网络的注塑件表面微缺陷自动快速检测方法

权利要求书

1.基于深度残差网络的注塑件表面微缺陷自动快速检测方法，其特征在于，包括以下步骤：

S1:利用注塑成型仿真软件和注塑成型工业产品两种途径分别收集注塑件表面短射、飞边、熔接痕、气泡、裂纹五种类型的微缺陷和无缺陷仿真、真实图形；

S2:对所述步骤S1中的注塑件表面微缺陷和无缺陷仿真、真实图形进行归一化、降噪和裁剪处理；

S3:对所述步骤S2中的注塑件表面微缺陷和无缺陷仿真、真实图形进行微缺陷和无缺陷标记，进而构建注塑件表面微缺陷混合数据集；

S4:设计基于深度学习的深度残差网络注塑件微缺陷识别框架；

S5:利用步骤S3中的注塑件表面微缺陷混合数据集，对步骤S4中的基于深度学习的深度残差网络微缺陷识别框架进行训练和验证，直至满足预设识别精度要求，结束训练；

S6:获得所述步骤S5中的基于深度学习的深度残差网络注塑件微缺陷识别框架模型；

S7:输入一幅注塑件表面微缺陷图形到所述步骤S6中的模型中，即可识别出微缺陷类别。

2.如权利要求1所述的基于深度残差网络的注塑件表面微缺陷自动快速检测方法，其特征在于，所述步骤S2中的注塑件表面微缺陷和无缺陷仿真、真实图形进行归一化、降噪和裁剪处理，具体包括以下子步骤：

S21：所述的归一化，即将注塑件表面微缺陷和无缺陷仿真、真实图形归一化到[0 1]之间；

S22：所述的裁剪，即将注塑件表面微缺陷和无缺陷仿真、真实图形裁剪成256×256大小的像素尺寸；

S23：所述的降噪处理，即利用中值滤波算法对注塑件表面微缺陷和无缺陷仿真、真实图形进行噪声过滤。

3.如权利要求1所述的基于深度残差网络的注塑件表面微缺陷自动快速检测方法，其特征在于，所述步骤S3中的注塑件表面微缺陷和无缺陷仿真、真实图形进行标记，即可表示为其中K为6种分类标记。

4.如权利要求1所述的基于深度残差网络的注塑件表面微缺陷自动快速检测方法，其特征在于，所述步骤S4中的设计出适用于基于深度学习的深度残差网络注塑件微缺陷识别框架，具体包括以下子步骤：

S41：所述的输入图像为注塑件表面微缺陷或无缺陷图形，其大小为256×256；

S42：所述的卷积运算1，其卷积核大小为7×7，特征数为64，步长为2，输出图形大小为128×128；

S43：所述的最大池化运算，其卷积核大小为3×3、步长为2，输出图形大小为64×64；

S44：所述的残差学习模块1，其由两个卷积核大小为3×3、特征数为64的卷积运算组成，输出图形大小为64×64；

S45：继续后接1个所述步骤S44中的残差学习模块1；

S46：所述的残差学习模块2，其由1个卷积核大小为3×3、特征数为128和1个卷积核大小为3×3、特征数为128、步长为2的卷积运算组成，输出图形大小为32×32；

S47：所述的残差学习模块3，其由两个卷积核大小为3×3、特征数为128的卷积运算组成，输出图形大小为32×32；

S48：继续后接2个所述步骤S47中的残差学习模块3；

S49：所述的残差学习模块4，其由1个卷积核大小为3×3、特征数为256和1个卷积核大小为3×3、特征数为256、步长为2的卷积运算组成，输出图形大小为16×16；

S410：所述的残差学习模块5，其由两个卷积核大小为3×3、特征数为256的卷积运算组成，输出图形大小为16×16；

S411：继续后接2个所述步骤S410中的残差学习模块5；

S412：所述的残差学习模块6，其由两个卷积核大小为3×3、特征数为512的卷积运算组成，输出图形大小为8×8；

S413：继续后接1个所述步骤S412中的残差学习模块6；

S414：全连接层输出大小为1×6。