买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)

摘要：本发明的一种基于自主学习网络模型笔记本屏幕缺陷检测方法及介质，包括构建笔记本屏幕检测模型，获取笔记本生产线下的高清摄像头视频进行预处理后输入笔记本屏幕检测模型，对笔记本屏幕生产线高清摄像头的待检测视频进行检测，并得出检测结果；本发明的基于自主学习网络模型笔记本屏幕缺陷检测方法，即基于自主学习的笔记本屏幕的缺陷检测和分类方法，可降低传统的笔记本生产线时间、资金成本，同时引入智能化检测和分类，对产业转型升级，提升产品质量，增强竞争力具有重大意义。

主权项：1.一种基于自主学习网络模型笔记本屏幕缺陷检测方法，其特征在于：包括构建笔记本屏幕检测模型，获取笔记本生产线下的高清摄像头视频进行预处理后输入笔记本屏幕检测模型，对笔记本屏幕生产线高清摄像头的待检测视频进行检测，并得出检测结果；其中，笔记本屏幕检测模型的构建步骤如下：步骤1：针对事先获取的笔记本生产线下的高清摄像头视频，对包含检测目标的视频进行关键帧提取，获取原始样本图片并进行预处理获得一定数量的原始数据集图片；再对原始数据集图片中包含指定生产缺陷的像素区域进行人工标定，获取生产缺陷的坐标信息作为后续训练模型的输入；步骤2：建立缺陷检测网络模型，使用k-means聚类方法，获取数据集中包含缺陷图片的先验框位置，采用交叉熵损失函数，对构建的深度网络模型训练，调整网络模型参数，得到目标检测模型；步骤3：获取生产线高清摄像头的待检测视频，送入预训练好的目标检测模型，直接输出检测结果，对网络模型难以分辨的视频帧，按预测缺陷目标概率大小排序，之后由人对其校验，作为训练样本集，之后模型再反向调整模型参数，如此达到设定次数后，得到稳定的网络模型；所述步骤1包括以下步骤：S11：采集笔记本外观生产线高清摄像头下的检测视频，然后提取包含外观缺陷的视频关键帧原始样本，对原始样本使用“中心式归一化”meannormalization图像预处理，构建训练样本集；S12：对数据集图片中包含外观缺陷的像素区域用矩形框进行标注，其中，一张数据集图片中包含多个矩形框，即多处外观缺陷，但每个矩形框仅包含一个待检测的目标，标注后的标签结果按照VOC数据集格式保存在xml文件中；其中，每张图片对应一个同名的xml文件，包含该数据集图片中每个矩形框的中心点坐标信息x,y，矩形框的宽w和矩形框的高h；此处对每个batch图片中的标签，即x,y,w,h进行了尺寸的归一化，即在原图坐标系下根据原图纵横比不变映射为256*256坐标下的一个子区域，并将变换后的坐标信息存储在xml文件中，作为后续训练模型的输入；所述步骤2中的缺陷检测网络模型包括输入层，GoogLeNet主体骨干网络，AL决策层和输出层，此外由于外观缺陷多为点状或线性结构，因此移除了GoogLeNet中的两个softmax层，加速网络训练；GoogLeNet主体骨干网络是一个22层的深度网络，网络具有三组Inception模块，三组Inception模块被池化层分隔；其中Inception模块为用密集成分来近似最优的局部稀疏结构，该结构将常用的卷积核1*1，3*3，5*5、池化操作堆叠在一起，不仅增加了网络深度，而且增加了网络对尺度的适应性；输入图像进尺寸归一化后为224*224*3输入第一层，之后经64个步长2的7*7*3的卷积核输出112*112*64数据，再输入ReLU激活，然后通过最大池化操作降低网络参数，作为Inception模块的输入；Inception模块的卷积算法如下：输入数据经过①64个1*1的卷积核卷积操作，之后由ReLU激活，输出28*28*64；②96个1*1的卷积核卷积，然后3*3的卷积核降维，再进行128个3*3的卷积核卷积操作，输出28*28*128；③16个1*1的卷积核卷积操作，再由5*5的卷积核降维，输出28*28*16，然后经过ReLU激活，再进行32个5*5的卷积，输出28*28*32；④池化层池化操作，通过3*3的卷积核，输出28*28*192，然后使用32个1*1的卷积核，输出28*28*32，最后将四个结果连接，并且对这四部分的输出结果第三维并联，即：64+128+32+32＝256，确定最终输出28*28*256；所述步骤2的训练步骤如下：S21:对骨干网络GoogLeNet使用公开数据集预训练，得到原始参数；S22：对于数据及图片中标注的矩形框，聚类获得anchorbox，此处，先将所有训练图片的矩形框的坐标信息提取出来，而后由两个坐标信息得到矩形框的宽高信息，采用k-means聚类的方法，处理所有训练数据boundingboxes的宽高数据，处理过程如下：先初始化K个anchorbox，通过在所有的矩形框boundingboxes中随机选取K个值作为K个anchorboxes的初始值；而后，计算每个boundingbox与每个anchorbox的IoU值，产生k个宽、高组合的anchorboxes，这里IoU为“预测的边框”和“真实的边框”的交集和并集的比值；然后，计算每个标注框和每个聚类中心点的距离d＝1-IoU标注框,聚类中心，计算时每个标注框的中心点都与聚类中心重合，这样才能计算IOU值，即d＝1-IoU[xj,yj,wj,hj,xj,yj,Wi,Hi]j∈{1,2,…,N},i∈{1,2,…,K}将标注框分配给“距离”最近的聚类中心；所有标注框分配完毕以后，对每个簇重新计算聚类中心点，更新anchorbox的宽高值；计算方式为Ni是第i个簇的标注框个数，求得该簇中所有标注框的宽和高的平均值；重复以上的步骤，到聚类中心改变量达设定值，得到由外观缺陷数据集的boundingbox聚类获得的anchorbox；S23、将训练集输入得到初始参数的骨干网络GoogLeNet中，提取相应的特征图；S24、利用S22中聚类得到的anchorbox，对外观缺陷特征图进行预测，得到图中预测的外观缺陷区域预测框的中心坐标bx,by、预测框的宽高、含有外观缺陷的概率和对象条件类别概率；S25、经过规定的次数和调整学习率参数，训练后，得到满足要求的分类结果的笔记本外观缺陷检测模型。

全文数据：

权利要求：

百度查询： 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 基于自主学习网络模型笔记本屏幕缺陷检测方法及介质