基于迁移学习的筷子缺陷检测方法及系统与流程

技术特征：
1.一种基于迁移学习的筷子缺陷检测方法，其特征在于，包括：采集筷子原始图像；将所述筷子原始图像与背景图像作差后得到的前景图像二值化，滤波后定位并提取出待检测的第一筷子图像；将所述第一筷子图像输入训练好的六分类深度学习网络模型，所述六分类深度学习网络模型的六个分类分别包括：正常、毛刺、斑点、凹孔、嫩白和裂缝；得到所述第一筷子图像在六个分类所对应输出的各个概率值；计算各分类输出概率值之间的方差，判断所述方差是否小于或等于设定的阈值，如果判断结果为否，直接以最高概率值所对应的标签作为最终的分类结果；如果判断结果为是，将所述第一筷子图像做图像超分辨率增强处理后得到第二筷子图像，然后将所述第二筷子图像输入所述六分类深度学习网络模型，以在六个分类中最高概率值所对应的标签作为最终的分类结果；其中，所述六分类深度学习网络模型的获取包括：利用通用数据集对深度学习网络模型进行预训练；针对训练图像构建六分类数据集，再利用构建的六分类数据集对经过预训练的深度学习网络模型再次训练以得到所述六分类深度学习网络模型。2.根据权利要求1所述的方法，其特征在于，在将所述第一筷子图像做图像超分辨率增强处理后得到第二筷子图像的过程中，基于cnn的超分辨率模型采用随机梯度下降方法进行训练，具体包括：首先用预先设置的缩放因子r对原始图像进行下采样，形成lr图像i
lr
，然后将lr图像裁剪成一组f
sub
×
f
sub
像素大小的子图像，与lr图像相对应的hr子图像i
hr
是从原始图像中裁剪出来且大小为r2×
f
sub
×
f
sub
像素，i
lr
与i
hr
子图像成对构成训练数据；用于图像超分辨率增强处理的超分辨率网络由特征提取、非线性映射和图像重构三部分组成，采用反向传播算法进行训练，训练参数为θ＝{w1,w2,
…
w
m
,b1,b2,
…
b
m
}，w
m
为网络权重，b
m
为网络偏置，m为网络的层数，损失函数采用mse，损失函数如下：其中，n为样本的个数，表示低分辨率图像通过增强网络后得到的重构图像，表示原高分辨率图像。3.根据权利要求1或2所述的方法，其特征在于，所述背景图像通过时间平均的方法去躁，时间平均的方法为：躁，时间平均的方法为：其中，p
t
为不同时间的背景图像，w
i
为权重参数，n为背景图片的张数；相对应的，在针对训练图像构建六分类数据集的过程中，通过亮度变换对原始训练图
像样本进行变换以扩充样本训练集。4.一种基于迁移学习的筷子缺陷检测系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至3任一所述方法的步骤。

技术总结
本发明涉及图像识别与深度学习技术领域，公开一种基于迁移学习的筷子缺陷检测方法及系统，以提高检测结果的可靠性。方法包括：将采集的筷子原始图像与背景图像作差后得到第一筷子图像；将第一筷子图像输入训练好的六分类深度学习网络模型，得到第一筷子图像在六个分类所对应输出的各个概率值；计算各分类输出概率值之间的方差，判断方差是否小于或等于设定的阈值，如果判断结果为否，直接以最高概率值所对应的标签作为最终的分类结果；如果判断结果为是，将第一筷子图像做图像超分辨率增强处理后得到第二筷子图像，然后将第二筷子图像输入六分类深度学习网络模型，以在六个分类中最高概率值所对应的标签作为最终的分类结果。高概率值所对应的标签作为最终的分类结果。高概率值所对应的标签作为最终的分类结果。


技术研发人员：刘伟春 赵乘麟 罗萍 刘卫兵 唐小琦 邓宇书
受保护的技术使用者：邵阳学院
技术研发日：2021.11.23
技术公布日：2022/2/7