[发明专利]一种基于双深度学习模型的视觉缺陷检测方法

权利要求书

1.一种基于双深度学习模型的视觉缺陷检测方法，所述视觉缺陷检测方法具有步骤（J1）：将所需的检测图像截取成若干个预设尺寸的输入图像；

其特征在于：还包括步骤（J2）：使用第一深度学习模型对步骤（J1）中截取的输入图像进行检测，从步骤（J1）中截取的所有的输入图像中筛选出缺陷图像；

步骤（J3）：使用第二深度学习模型对步骤（J2）中筛选出来的缺陷图像进行缺陷品种的分类；所述第一深度学习模型的层数少于第二深度学习模型的层数。

2.根据权利要求1所述的一种基于双深度学习模型的视觉缺陷检测方法，其特征在于：所述第一深度学习模型和第二深度学习模型的训练过程包括：步骤（X1）：将一张采集图像截取成若干个预设尺寸的输入图像；

步骤（X2）：将步骤（X1）的所有的输入图像进行类别标注，步骤（X1）的所有的输入图像类别分为正常以及多个的缺陷品种；

步骤（X3）：使用第一深度学习模型进行二分类训练，第一深度学习模型将步骤（X2）中标注完成的输入图像分为两类：正常类别与缺陷类别；步骤（X2）中标注的多个的缺陷品种均归为缺陷类别；

步骤（X4）：将步骤（X2）中标注的多个的缺陷品种的输入图像作为样本库，训练第二深度学习模型，第二深度学习模型对步骤（X3）中第一深度学习模型分类出来的缺陷类别的输入图像进行各个缺陷品种的分类。

3.根据权利要求1所述的一种基于双深度学习模型的视觉缺陷检测方法，其特征在于：所述第一深度学习模型的结构中：所述第一深度学习模型的第一层为输入图像的输入层；

所述第一深度学习模型的第二层为滤波器大小为7*7、通道数为16、步长为2的卷积层；

所述第一深度学习模型的第三层、第四层均为滤波器大小为3*3、通道数为16、步长为2的卷积层；

所述第一深度学习模型的第五层、第六层均为滤波器大小为3*3、通道数为64、步长为1的卷积层。

4.根据权利要求1所述的一种基于双深度学习模型的视觉缺陷检测方法，其特征在于：所述第二深度学习模型的结构中：所述第二深度学习模型的第一层为输入图像的输入层；

所述第二深度学习模型的第二层依次至第十七层均为卷积层。

5.根据权利要求4所述的一种基于双深度学习模型的视觉缺陷检测方法，其特征在于：所述第二深度学习模型的结构中：

所述第二深度学习模型的第十八层为全局池化层；

所述第二深度学习模型的第十九层为全连接层；

所述第二深度学习模型的第二十层为Softmax层。

6.根据权利要求4所述的一种基于双深度学习模型的视觉缺陷检测方法，其特征在于：所述第二深度学习模型的结构中：

所述第二深度学习模型的第二层与所述第二深度学习模型的第八层通过第一旁支连接，所述第一旁支为滤波器大小为1*1，步长为2的卷积层；

所述第二深度学习模型的第十层与所述第二深度学习模型的第十六层通过第二旁支连接，所述第二旁支为滤波器大小为1*1，步长为2的卷积层。

7.根据权利要求4所述的一种基于双深度学习模型的视觉缺陷检测方法，其特征在于：所述第二深度学习模型的结构中：

所述第二深度学习模型的第一层与所述第二深度学习模型的第三层，以及，所述第二深度学习模型的第三层与所述第二深度学习模型的第五层，以及，所述第二深度学习模型的第七层与所述第二深度学习模型的第九层，以及，所述第二深度学习模型的第十一层与所述第二深度学习模型的第十三层、所述第二深度学习模型的第十五层与所述第二深度学习模型的第十七层分别通过一个支路进行连接。

8.根据权利要求4所述的一种基于双深度学习模型的视觉缺陷检测方法，其特征在于：所述第二深度学习模型的结构中：

所述第二深度学习模型的第二层依次至第五层均为滤波器大小为3*3、通道数为64、步长为1的卷积层；

所述第二深度学习模型的第六层为滤波器大小为3*3、通道数为128、步长为2的卷积层；

所述第二深度学习模型的第七层依次至第九层均为滤波器大小为3*3、通道数为128、步长为1的卷积层；

所述第二深度学习模型的第十层为滤波器大小为3*3、通道数为256、步长为2的卷积层；

所述第二深度学习模型的第十一层依次至第十三层均为滤波器大小为3*3、通道数为256、步长为1的卷积层；

所述第二深度学习模型的第十四层为滤波器大小为3*3、通道数为512、步长为2的卷积层；

所述第二深度学习模型的第十五层依次至第十七层均为滤波器大小为3*3、通道数为512、步长为1的卷积层。