申请/专利权人:广东省科学院智能制造研究所
申请日:2021-03-23
公开(公告)日:2021-07-20
公开(公告)号:CN113139932A
主分类号:G06T7/00(20170101)
分类号:G06T7/00(20170101);G06T7/13(20170101);G06K9/62(20060101);G06N3/04(20060101);G06N3/08(20060101)
优先权:
专利状态码:有效-授权
法律状态:2022.12.20#授权;2021.08.06#实质审查的生效;2021.07.20#公开
摘要:本发明提供了一种基于集成学习的深度学习缺陷图像识别方法及系统。该方案包括获取所有的缺陷监测图像,生成样本训练集和样本测试集;获取样本训练集通过色彩转换、傅里叶变换、梯度运算和边缘轮廓提取,获得灰度图、频谱图、边缘轮廓图和梯度图,生成第一训练集、第二训练集、第三训练集、第四训练集,并融合生成第五训练集;将第一训练集、第二训练集、第三训练集、第四训练集和第五训练集分别进行深度神经网络训练,生成第一分类器、第二分类器、第三分类器、第四分类器和第五分类器;将所述样本测试集中的图像进行投票,获得目标分类结果。该方案通过多训练集、集成学习方式提高网络模型缺陷识别通用性,实现对多类别缺陷图像识别。
主权项:1.一种基于集成学习的深度学习缺陷图像识别方法,其特征在于,包括:获取所有的缺陷监测图像,生成样本训练集和样本测试集;获取样本训练集通过色彩转换、傅里叶变换、梯度运算和边缘轮廓提取,获得灰度图、频谱图、边缘轮廓图和梯度图,生成第一训练集、第二训练集、第三训练集、第四训练集;根据所述第一训练集、所述第二训练集、所述第三训练集、所述第四训练集融合生成第五训练集;将所述第一训练集、所述第二训练集、所述第三训练集、所述第四训练集和所述第五训练集分别进行深度神经网络训练,生成第一分类器、第二分类器、第三分类器、第四分类器和第五分类器;将所述样本测试集中的图像输入所述第一分类器、所述第二分类器、所述第三分类器、所述第四分类器和所述第五分类器进行投票,获得目标分类结果。
全文数据:
权利要求:
百度查询: 广东省科学院智能制造研究所 一种基于集成学习的深度学习缺陷图像识别方法及系统
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。