本發明公開了一種基于深度學習的工件表面缺陷檢測方法,具體為:采集不同背景及光照條件下的工件圖像;對采集的工件圖像進行預處理;構建深度卷積神經網絡模型獲得6個不同層的特征圖;采用特征金字塔特征圖進行多尺度特征融合預測,使用K?means聚類算法得到產生4個anchor box預測目標邊界框,使用交叉熵損失函數預測類別;通過非極大值抑制算法去除冗余的預測邊界框;輸出工件表面缺陷的位置信息以及類別。本發明解決人工檢測以及物理檢測法檢測效率低、精度差的問題,克服傳統機器視覺缺陷檢測適應性差的問題,提高工件表面缺陷的檢測效率和準確率,降低人力成本,而且可以快速適應新型產品的表面缺陷檢測,縮短開發周期,提高靈活性。
聲明:
“一種基于深度學習的工件表面缺陷檢測方法” 該技術專利(論文)所有權利歸屬于技術(論文)所有人。僅供學習研究,如用于商業用途,請聯系該技術所有人。
我是此專利(論文)的發明人(作者)