[发明专利]基于分割网络的频域空间结合的玻璃缺陷检测方法

权利要求书

1.一种基于分割网络的频域空间结合的玻璃缺陷检测方法，其特征在于，包括如下步骤：

构建包含玻璃缺陷图像的图像数据集，并对所述图像数据集中的对象进行灰度处理，得到预训练数据模型；

采集玻璃制品的图像，再通过频域结合空间分析处理所采集的图像，得到图像的频率特征；在采集玻璃制品的图像，再通过频域结合空间分析处理所采集的图像，得到图像的频率特征时，是采用傅里叶变换对图像进行采样和量化，并采用函数f(x,y)以频率域表征图像，进而得出图像中的频率特征；所述函数f(x,y)包括多个正弦函数，各个正弦函数具有独立的频率作为一所述频率特征；

提取频率作为图像的特征进行分析，频率特征是图像的灰度变化特征，低频特征是灰度变化不明显，高频特征是图像灰度变化剧烈，低频代表图像整体轮廓，高频代表了图像噪声，中频代表图像边缘、纹理；

使用离散形式的傅里叶变换进行图片频域分析：1）具有一定纹理特征的图像，纹理可以理解为条纹；2）需要提取对比度低或者信噪比低的特征；3）图像尺寸较大或者需要与大尺寸滤波器进行计算，此时转换至频域计算，因为空间域滤波为卷积过程，频域计算直接相乘；

载入相关模块matplotlib，numpy，下载已经训练好的模型文件，图像分割网络进行下采样+上采样；

多尺度特征融合：特征逐点相加／特征channel维度拼接；

导入测试图像，获得像素级别的segement map；

对处理后的图像进行反卷积处理，提取图像中的高维特征作为特征点；

采用卷积神经网络对待检测图像中的所述特征点进行分割训练，得到测试数据集；

应用所述预训练数据模型对所述测试数据集进行训练分类，得出检测结果。

2.根据权利要求1所述的基于分割网络的频域空间结合的玻璃缺陷检测方法，其特征在于，对处理后的图像进行反卷积处理，提取图像中的高维特征作为特征点的过程中，是通过全卷积网络对图像中每个像素点进行反卷积，以其中出现的高维高频变化的特征作为特征点。

3.根据权利要求2所述的基于分割网络的频域空间结合的玻璃缺陷检测方法，其特征在于，通过全卷积网络对图像中每个像素点进行反卷积的过程还包括通过卷积神经网络对具有所述特征点的特征图进行上采样，得到与原始图大小相同的若干个特征图输出。

4.根据权利要求3所述的基于分割网络的频域空间结合的玻璃缺陷检测方法，其特征在于，采用卷积神经网络对待检测图像中的所述特征点进行分割训练，得到测试数据集的过程中，对所述若干个特征图输出进行多次卷积操作，将特征图输出进行缩小进而得到所述测试数据集。

5.一种计算设备，包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如权利要求1-4中任一项所述的方法。

6.一种计算机可读存储介质，其内存储有计算机程序，所述计算机程序在由处理器执行时实现如权利要求1-4中任一项所述的方法。