[发明专利]基于改进的循环神经网络的实时缺陷检测方法

权利要求书

1.一种基于改进的循环神经网络的实时缺陷检测方法，其特征在于，包括以下步骤：

连续获取待检测产品N帧表面图片，进而获取表面图片的灰度图片；

通过标准正样本图片，对获取的灰度图片进行缺陷中心位置搜索；

利用神经网络模型学习当前图片异常信息并将异常信息映射到边缘描点进而获得边框位置信息；

利用上一个时间步的关键异常信息，基于循环神经网络的连续多帧图片协同训练获得待检测产品的表面缺陷检测框；

以面积为判断依据，设定报警阈值，用获得的表面缺陷检测框对待检测产品进行判断。

2.根据权利要求1所述的一种基于改进的循环神经网络的实时缺陷检测方法，其特征在于，通过标准正样本图片，对获取的灰度图片进行缺陷中心位置搜索的步骤包括：

以h×w长宽的窗口以滑动的方式计算当前图片I_t中各个区块与标准正样本图片I_p中对应位置的像素差值之和，缺陷中心位置就是差值最大区块的中心坐标。

3.根据权利要求2所述的一种基于改进的循环神经网络的实时缺陷检测方法，其特征在于，利用神经网络模型学习当前图片异常信息，通过以下公式进行：

h_t＝W₁σ(I_t-I_p)+h_t-1+b

其中，W₁为映射矩阵，负责捕捉待检测产品在横向上的异常信息，k为预设描点数量，h₁为采样图片的长；

σ(I_t-I_p)为当前图片I_t中各个区块与标准正样本图片I_p中对应位置的像素差值之和；

h_t-1为上一个时刻的关键异常信息；

b为模型在横向上的偏置项，d为采样图片的宽；

h_t中保存了模型检测到的当前图片中的关键异常信息，

4.根据权利要求3所述的一种基于改进的循环神经网络的实时缺陷检测方法，其特征在于，将异常信息映射到边缘描点进而获得边框位置信息，通过以下公式进行：

y_t＝h_tW₂+θ

其中，W₂为映射矩阵，负责捕待检测产品在纵向上的异常信息，d为采样图片的宽；

θ是模型在纵向上的偏置项，

经过一次前向传播，可以获得边框位置信息y_t，y_t的第一列表示边框描点到缺陷中心位置的距离，第二列表示缺陷中心位置到该边框描点连线的偏斜角度。

5.根据权利要求4所述的一种基于改进的循环神经网络的实时缺陷检测方法，其特征在于，基于循环神经网络的连续多帧图片协同训练获得待检测产品的表面缺陷检测框的方法如下：

将连续的多帧图片输入到循环神经网络中，以获得单帧图片边框位置信息为神经元，循环神经网络的最后一个神经元的输出y_N,与当前组图片的最后一帧I_N计算的缺陷中心位置C_N可以共同确定待检测产品的表面缺陷检测框。

6.根据权利要求5所述的一种基于改进的循环神经网络的实时缺陷检测方法，其特征在于，循环神经网络的每一个时间步的输出优化目标计算公式为：

其中是Smooth L1 Loss函数，用于约束预测框和真实框之间的差异，为神经网络边框位置损失函数，γ为L2正则惩罚项。