[发明专利]一种高光谱结合深度学习工业检测系统

权利要求书

1.一种高光谱结合深度学习工业检测系统，其特征在于：包括用于取点的光谱仪以及用于成像的高光谱相机；检测步骤为：

S1、使用光谱仪在被测样品上取缺陷点与正常点，并获得缺陷点与正常点的向量数据；

S2、使用基于比较类内与类间均方差的算法以及计算相关系数的算法验证高光谱检测的可行性；

S3、如果具有可行性，则使用基于衡量类内与类间选定特征值差距的方法进行高光谱图像的通道选取；

高光谱图像的通道选取的方式为：

1）分别求取类内均方差均值MSE_mean类内、类间均方差均值MSE_mean类间、类内相关系数均值R_mean类内、类间相关系数均值R_mean类间；并求相对比例MSE_mean类间/MSE_mean类内,以及R_mean类内/值R_mean类间；如果MSE_mean类间/MSE_mean类内较大,则取均方差的负数 -1*MSE作为特征值，否则取相关系数R作为特征值；

2）对缺陷点向量与正常点向量的每一维取均值，形成一个缺陷代表向量与一个正常代表向量，分别将两个代表向量的m维数据进行连续且平均的分段，每段为m/c维，其中，m为高光谱图像的通道数，c为段数；

3）将c段数据的（m/c）-1个由步骤1）中确定的特征值从大到小进行排序，记为f₁,f₂...f_（m/c）-1,将f₁, f₂...f_（m/c）-2进行与相邻的下一个元素作差，记为d₁, d₂...d_（m/c）-2；设这组差值中最大值为d_j,则选择f₁, f₂...f_j对应的段组成新的代表向量，f₁, f₂...f_j 所对应的通道即为所选取的通道；

S4、将选取的通道运用基于每点的特征值与代表向量特征值比较的方法对选取的通道组成的图像进行自动打标，将打标后的图像送入神经网络进行训练；

S5、利用训练好的网络对被测物进行检测。

2.如权利要求1所述的一种高光谱结合深度学习工业检测系统，其特征在于：所述的步骤S2中，验证高光谱检测的可行性的方法为：

将缺陷点向量与正常点向量的两两之间按照公式MSE=,计算缺陷点向量与正常点向量类内与类间的均方差MSE；其中，V_1i代表第一个向量的第i个数字，V_2i代表第二个向量的第i个数字；m为光谱仪的波长分辨率，与高光谱图像的通道数相等；

按照公式：,计算缺陷点向量与正常点向量类内与类间的相关系数R；其中，，；

对于每个MSE有：MSE类内MSE类间，或，对于每个R有：R类内R类间；则说明缺陷在高光谱下具有可分性，则进行下面的检测步骤；否则，不具有可分性，则高光谱检测没有可行性。

3.如权利要求2所述的一种高光谱结合深度学习工业检测系统，其特征在于：所述的步骤S4中，利用步骤S3中确定的通道，遍历每一点，计算每一点与缺陷代表向量以及正常代表向量间的特征值f_d与f_n；

若，f_df_n且f_d=设定值A*f_i,则该点标为缺陷类；

若，f_df_n且 f_n设定值B*f_b,则该点标为正常类；

若，以上两条都不满足，则该点标为伪缺陷点；

其中，f_b为类间代表特征值，f_i为类内代表特征值。

4.如权利要求3所述的一种高光谱结合深度学习工业检测系统，其特征在于：包括对标为伪缺陷点的点进行人工复核，复核包括：

i、统计缺陷点由于不符合 f_d =设定值A *f_i被标为伪缺陷点的点，减小设定值A的值，以使得刚好所有的伪缺陷中缺陷点在新规则下都能被分为缺陷点；

ii、统计正常点由于不符合f_n设定值B *f_b被标为伪缺陷点的点，减小设定值B的值，以使得刚好所有的伪缺陷中正常点在新规则下都能被分为正常点。