本发明公开了一种基于深度学习的工件表面缺陷检测方法，具体为：采集不同背景及光照条件下的工件图像；对采集的工件图像进行预处理；构建深度卷积神经网络模型获得6个不同层的特征图；采用特征金字塔特征图进行多尺度特征融合预测，使用K‑means聚类算法得到产生4个anchor box预测目标边界框，使用交叉熵损失函数预测类别；通过非极大值抑制算法去除冗余的预测边界框；输出工件表面缺陷的位置信息以及类别。本发明解决人工检测以及物理检测法检测效率低、精度差的问题，克服传统机器视觉缺陷检测适应性差的问题，提高工件表面缺陷的检测效率和准确率，降低人力成本，而且可以快速适应新型产品的表面缺陷检测，缩短开发周期，提高灵活性。
声明：
“一种基于深度学习的工件表面缺陷检测方法” 该技术专利(论文)所有权利归属于技术(论文)所有人。仅供学习研究，如用于商业用途，请联系该技术所有人。
我是此专利(论文)的发明人(作者)
897
编辑：管理员
来源：北方有色网
咨询细节
