[发明专利]一种基于深度学习的笔记本外观瑕疵检测方法

权利要求书

1.一种基于深度学习的笔记本外观瑕疵检测方法，其特征在于，包括以下步骤：

步骤一：对通过工业相机获取的图像进行预处理；

步骤二：选取训练样本集，根据训练样本训练得到瑕疵检测器；

步骤三：图像预处理：采集待测图像，该待测图像为 RGB 图像；

步骤四：图像特征提取：将待测图像导入卷积网络中，通过卷积层对待测图像进行卷积运算生成特征映射图，采样层用于对卷积运算后生成的特征映射图进行采样；

步骤五：上位机载入瑕疵检测模型：特征通过上位机载入的模型对瑕疵类别及位置进行预测；

步骤六：判断是否存在瑕疵，若存在则输出类别和位置信息，否则推理结束。

2.根据权利要求1所述的一种基于深度学习的笔记本外观瑕疵检测方法，其特征在于：所述步骤二中的训练样本集包括若干个样本图像和每个样本图像中对应的目标框的监督信息，目标框用于对目标的标注，监督信息包括样本图像中的目标框的位置信息和属性信息，目标框的位置信息包括目标框的横坐标和纵坐标，目标框的属性信息包括目标框的长度和宽度，监督信息表示为(x , y, w, h) ，其中，x是目标框的横坐标，y是目标框的纵坐标，w是目标框的宽度，h是目标框的长度。

3.根据权利要求1所述的一种基于深度学习的笔记本外观瑕疵检测方法，其特征在于：所述步骤四中的卷积网络是基于ResNet-101特征金字塔结构模型，卷积操作采用可形变卷积，可形变卷积的输入为经过标准卷积后的特征层，然后在feature map上进行卷积操作，生成N个2维的偏置量(△x,△y)，再分别对输入feature map上各个点的值进行修正，设feature map为P，即P(x,y)=P(x+△x,y+△y)，当x+△x为分数时，使用双线性插值计算P(x+△x,y+△y)，形成N个feature map，然后使用N个卷积核一一对应进行卷积得到输出。

4.根据权利要求1所述的一种基于深度学习的笔记本外观瑕疵检测方法，其特征在于：在用样本图像训练瑕疵检测模型之前，增加RPN网络的候选区域搜索目标框为322、642、1282、2562、5122中至少一种，候选区域的长宽比例设置为[0.05, 0.1, 0.2, 0.5, 1.0,2.0, 5.0, 10, 20]，训练时采用多尺度训练包括[2000, 1600, 1200]。

5.根据权利要求1所述的一种基于深度学习的笔记本外观瑕疵检测方法，其特征在于：所述步骤一中对通过工业相机获取的图像进行预处理，所述预处理包括随机翻转、镜像数据增强操作以及使用3*3作为邻域模板对拍摄得到的图像进行均值滤波、去均值、归一化操作。

6.根据权利要求1所述的一种基于深度学习的笔记本外观瑕疵检测方法，其特征在于：所述步骤二中，在生成训练样本时，将样本中有瑕疵、无瑕疵比例控制在2：1，其中有瑕疵样本按照VOC格式进行标注，生成json文件，其中包含瑕疵类别及位置信息，将有瑕疵和无瑕疵样本分为训练集和测试集并将训练集按照5:1的比例，随机划分为训练集Train和验证集Val。