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：宁波福至新材料有限公司

摘要：本发明提供一种引线框架表面缺陷检测方法及系统，涉及检测技术领域，包括收集引线框架图像，将经过预处理的引线框架图像输入缺陷提取网络，使用特征分层网络对引线框架图像进行下采样，获得浅层特征图集和深层特征图集，浅层特征图集通过并行卷积模块，获得缺陷细节增强图集，深层特征图集通过串行卷积模块，获得缺陷语义增强图集；将缺陷细节增强图集和缺陷语义增强图集输入特征融合模块，沿通道维度进行叠加，再按照膨胀率进行空洞卷积操作，经过对应位置像素叠加和点卷积融合，得到综合缺陷特征图；将综合缺陷特征图输入缺陷感知模型，重构综合缺陷特征图，得到重构图像，通过缺陷感知模型和重构图像的差异度比较，确定引线框架表面缺陷。

主权项：1.引线框架表面缺陷检测方法，其特征在于，包括：收集引线框架图像，将经过预处理的所述引线框架图像输入缺陷提取网络，使用所述缺陷提取网络中的特征分层网络对所述引线框架图像进行下采样，获得浅层特征图集和深层特征图集，所述浅层特征图集通过并行卷积模块，获得缺陷细节增强图集，所述深层特征图集通过串行卷积模块，获得缺陷语义增强图集；将所述缺陷细节增强图集和所述缺陷语义增强图集输入特征融合模块，沿通道维度进行叠加，再按照预设的膨胀率进行空洞卷积操作，经过对应位置像素叠加和点卷积融合，得到综合缺陷特征图；将所述综合缺陷特征图输入缺陷感知模型，重构所述综合缺陷特征图，得到重构图像，通过所述缺陷感知模型和所述重构图像的差异度比较，确定引线框架表面缺陷，其中，使用无缺陷引线框架图对所述缺陷感知模型进行训练，通过将所述无缺陷引线框架图编码到低维空间，捕获低维空间参数，结合随机噪声，解码成重构图像，通过损失调整策略，学习无缺陷引线框架的低维特征，完成缺陷感知模型的训练；使用无缺陷引线框架图对所述缺陷感知模型进行训练，通过将所述无缺陷引线框架图编码到低维空间，捕获低维空间参数，结合随机噪声，解码成重构图像，通过损失调整策略，学习无缺陷引线框架的低维特征，完成缺陷感知模型的训练包括：收集无缺陷引线框架图，作为训练图集，开始缺陷感知模型训练；通过多个卷积层构建编码器，将所述训练图集中的训练图输入所述编码器，通过逐渐降低图像维度，同时提取特征，以及通过全连接层捕获低维空间参数，以标准正态分布为基准，抽取随机噪声，结合所述低维空间参数，计算低维空间变量；基于所述编码器的镜像，构建解码器，将低维空间变量重构回原始数据空间，生成重构图像；基于所述训练图和对应的所述重构图像，设置重构损失函数；基于低维空间变量的分布和标准正态分布的差异，构建相对熵公式；迭代所述缺陷感知模型训练，通过使重构损失函数和相对熵最小化，使所述重构图像最接近所述训练图，同时所述低维空间变量的分布最接近标准正态分布，完成缺陷感知模型的训练；基于所述训练图和对应的所述重构图像，设置重构损失函数包括：所述重构损失函数，其公式如下： ；其中，Lδ表示重构损失函数，y表示训练图对应的原真实值，fx表示重构图像对应的模型预测值，k表示比例因子，σ表示标准差，|y-fx|表示误差的绝对值；基于低维空间变量的分布和标准正态分布的差异，构建相对熵公式包括：所述相对熵公式，其公式如下： ；其中，K表示相对熵，λ表示全局调节参数，βt表示随迭代次数变化的动态权重参数，t表示迭代次数，J表示低维空间的总维数，j表示低维空间变量的序数，μj表示第j个低维空间变量的均值，σj表示第j个低维空间变量的标准差。

全文数据：

权利要求：

百度查询： 宁波福至新材料有限公司 引线框架表面缺陷检测方法及系统