[发明专利]一种基于深度学习的工件表面缺陷检测和分割方法

权利要求书

1.一种基于深度学习的工件表面缺陷检测和分割方法；其特征在于，其包括以下步骤：

步骤一，采集待检测工件的图像信息；

步骤二，构建分割网络，将采集的图像信息作为分割网络的输入；通过所述分割网络对工件表面缺陷进行像素定位，并以逐像素损失训练该分割网络，将每个像素视为一个单独的训练样本；

所述分割网络包括11个卷积层和下采样层，每个卷积层后都带有一个批归一化层和一个非线性ReLU层；所述卷积层中的前九个卷积层采用5×5大小的卷积核，后两层分别采用15×15和1×1大小的卷积核；每个卷积层配备分配不同数量的通道，使得输出图在应用1×1卷积层以减少输出通道之后获得；

步骤三，执行二进制图像分类，并在分割网络上构建附加网络，该附加网络作为决策网络，将分割网络的15×15卷积核对应的卷积层卷积后的输出和1×1卷积核对应的卷积层卷积后的输出连接在一起作为决策网络的输入；所述决策网络为带有下采样层的多个卷积层；

步骤四，完成卷积后，决策网络执行全局最大池化和全局平均池化，产生若干输出神经元；

步骤五，对分割网络输出图进行全局最大池化和全局平均池化；并将分割网络输出图上的全局最大池化和全局平均池化的结果连接为两个输出神经元，并与步骤四的输出神经元连接，得到最终输出图。

2.根据权利要求1所述的一种基于深度学习的工件表面缺陷检测和分割方法，其特征在于，所述步骤二中的分割网络对应的下采样层包括三个最大池化层。

3.根据权利要求1所述的一种基于深度学习的工件表面缺陷检测和分割方法，其特征在于，步骤二中的前9个卷积层中：第一个卷积层和第二个卷积层分别分配32个通道；第三个卷积层、第四个卷积层和第五个卷积层分别分配64个通道；第六个卷积层、第七个卷积层、第八个卷积层和第九个卷积层分别分配64个通道；第十个卷积层分配1024个通道，第是一个卷积层分配1个通道。

4.根据权利要求3所述的一种基于深度学习的工件表面缺陷检测和分割方法，其特征在于，步骤三中的卷积层有三个，由输入到输出依次为8通道、5×5卷积核的卷积层，16通道、5×5卷积核的卷积层，32通道、5×5卷积核的卷积层。