[发明专利]基于深度学习和稀疏表示模型的基建表面缺陷检测方法

权利要求书

1.基于深度学习和稀疏表示模型的基建表面缺陷检测方法，其特征在于，由以下步骤组成：

步骤S1：采集基建表面的图像形成图像集，将图像集中存在缺陷的图像归为一类形成缺陷样本集，将图像集中表现正常的图像归为一类形成正常样本集；将缺陷样本集分为缺陷训练集和缺陷验证集，将正常图像集分为正常训练集和正常验证集；

步骤S2：利用缺陷训练集和正常训练集对卷积神经网络模型进行训练；

步骤S3：利用训练后的卷积神经网络模型对缺陷训练集和正常训练集的特征进行分别提取得到缺陷特征字典D_def和正常特征字典D_nor；

步骤S4：利用训练后的卷积神经网络模型对正常验证集进行特征提取得到正常验证集特征f^top，将正常特征字典D_nor与正常验证集特征f^top输入到稀疏表示模型中，求解正常验证集中每一张图像关于正常特征字典D_nor的重构误差r_nor，设定正常特征字典阈值δ_nor，并保证正常验证集中90％图像的重构误差r_nor＜正常特征字典阈值δ_nor；

步骤S5：利用训练后的卷积神经网络模型对缺陷验证集进行特征提取得到缺陷验证集特征v_def，将缺陷特征字典D_def与缺陷验证集特征v_def输入到稀疏表示模型中，求解缺陷验证集中每一张图像关于缺陷特征字典的重构误差r_def，设定缺陷特征字典阈值δ_def，并保证缺陷验证集中90％图像的重构误差r_def＜缺陷特征字典阈值δ_def；

步骤S6：利用训练后的卷积神经网络模型对待测图像进行特征提取得到待测图像特征集f_test，将待测图像特征集f_test与正常特征字典D_nor输入到稀疏表示模型中计算得到稀疏系数α_nor和重构误差t_nor，

步骤S7：当t_nor＞δ_nor时，将待测图像特征集f_test与缺陷特征字典D_def输入到稀疏表示模型中计算得到稀疏系数α_def和重构误差t_def；

步骤S8：当t_nor＞t_def＞δ_def时，得出待测图像为缺陷样本。

2.根据权利要求1所示的基于深度学习和稀疏表示模型的基建表面缺陷检测方法，其特征在于，所述步骤S4中，计算重构误差r_nor时，需要先计算稀疏系数α_nor，其计算方法为：

假设利用卷积神经网络提取到的特征表示为f，正常特征字典表示为其中，d₁表示正常特征字典的维度，n₁表示正常特征字典的规模，利用稀疏表示模型，首先求得f与D_nor间的稀疏系数：

其中||*||₂、||*||₀分别表示L₂范数和L₀范数，α_nor表示稀疏系数，K表示稀疏度，即α_nor中非零元素个数不得多于K个。

3.根据权利要求2所示的基于深度学习和稀疏表示模型的基建表面缺陷检测方法，其特征在于，所述步骤S4中，计算重构误差r_nor的方法为：

利用求得的稀疏系数α_nor，计算f与D_nor间的重构误差：

r_nor＝||f-D_norα_nor||₂ (式2)。