[发明专利]一种高光谱结合深度学习工业检测系统

说明书

本发明涉及一种高光谱结合深度学习工业检测系统，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；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。本发明具有简单、高效等特点。

技术领域

本发明涉及视觉检测技术领域，尤其是一种高光谱结合深度学习工业检测系统。

背景技术

最早期的高光谱检测是高光谱成像后看缺陷区域或者正常区域有没有在哪个波段产生吸收峰，当二者中只有一个在某个波段产生了吸收峰时，就只用这个波段进行成像，产生缺陷对比度较高的图像，用简单的算法进行检测。

后来出现了一系列的分类算法，可以将高光谱图像中的每个点的多个波段的像素值进行降维处理后，带入分类算法进行分类。

近些年深度学习卷积神经网络也被用到高光谱缺陷检测中，分为有监督学习与无监督学习；其中有监督学习需要大量的有标注的高光谱图像样本，无监督学习则不要求高光谱图像样本有标注。

但是，上述的高光谱技术分别具有以下缺点：

1、传统的高光谱成像检测过分依赖吸收峰，导致光谱信息没有被充分利用，可能把用复杂算法可行的情况也认为不可行；

2、后来出现的分类器算法，在应用上逐点遍历执行时间复杂度很高的分类器算法，效率太低；

3、近些年出现的高光谱结合机器学习与深度学习方法，这些方法必须大量的标注数据作为输入来训练，而对于一些人工检测难度都非常大的缺陷，非常难以在缺陷样品上标注；由于高光谱图像通道数太多，难以有效可视化缺陷部分，导致图像上也难以标注，所以难以获得大量的有标注的数据；

而利用无监督深度学习的方法，由于完全没有缺陷信息标注，且光谱受到非缺陷因素（如被测物中含有不算缺陷的杂质）影响，出现的错误分类的概率太大。

发明内容

本发明要解决的技术问题是：由于高光谱图像通道数太多，没有理想可视化方法足以通过在短时间内看出当前被测物上的缺陷是否能够利用高光谱来检测；且在不确定是否可行的情况下进行高光谱成像测试的时间、花费、数据复杂度都是一个很大的开销；如果不可行则很浪费资源；而在确定高光谱成像可行的情况下，如果缺陷与正常区域没有对比度很高的吸收峰，则分类算法会非常复杂，且程序上无法实现并行，导致程序执行效率很低；如果尝试用其它并行程度高、区分能力强的卷积神经网络来实现快速检测，则在训练阶段，由于有标注的样本量少，且高光谱图像几乎没有获得全局可视化效果的方法，导致很难获得足够的带标注的数据进行有效训练；因此，本发明提供一种高光谱结合深度学习工业检测系统，以解决上述问题。

本发明解决其技术问题所采用的技术方案是：一种高光谱结合深度学习工业检测系统，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；

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。