[发明专利]一种基于双深度学习模型的视觉缺陷检测方法

说明书

本发明涉及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；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。本发明通过两个深度学习模型组合使用，既利用了深度学习的优势，又解决了深度学习耗时长的问题。

技术领域

本发明涉及视觉缺陷检测技术领域，尤其是一种基于双深度学习模型的视觉缺陷检测方法。

背景技术

在工业领域中存在着大量的对缺陷检测的需求。随着机器视觉和工业自动化的快速发展，传统上由人进行的缺陷检测工作已经开始由机器视觉来替代完成。机器视觉的核心是算法，但传统算法在解决工业领域的缺陷检测任务时，通常存在缺陷特征不易描述的问题。客户定义的缺陷品，通过颜色、面积、圆度、角度、长度这些特征去量化时是非常困难和复杂的，所以使用传统算法解决缺陷检测问题费时费力。

深度学习算法虽然通过学习能够自动提取缺陷特征，降低算法的开发难度，缩短了算法开发的周期。但深度学习也存在着计算量大，算法耗时长的问题，会导致视觉检测设备的生成效率达不到客户预期。深度学习算法需要大量的计算，工业检测中采集的图像滤波器较大，加剧了深度学习算法运行的时间。因而在实际的工业检测场景中，深度学习算法应用较少，更多的时候只是作为传统算法的辅助。

现有的深度学习算法在工业缺陷检测中的应用主要有两种：1）使用深度学习分割模型对全图进行缺陷分割（如FCN，Unet等），算法耗时较长；2）将整张图像切割成固定尺寸的小图像，然后对所有的小图像应用区域分割的深度学习模型或者图像分类的深度学习模型。

这些应用深度学习进行缺陷检测的方法主要有两个问题：1）缺陷检测中采集图像尺寸大，使用深度学习检测耗时较长；2）深度学习模型难以适应工业领域中的缺陷检测应用，检测效果差。

发明内容

本发明要解决的技术问题是：提供一种基于双深度学习模型的视觉缺陷检测方法。

本发明解决其技术问题所采用的技术方案是：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。

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。

进一步地，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。

进一步地，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。