(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210736219.2 (22)申请日 2022.06.27 (71)申请人 佛山市南海区广工大 数控装备协同 创新研究院 地址 528000 广东省佛山市南海区狮山 镇 南海软件科技园创智港A座四楼 (72)发明人 杨海东　王华龙　吴均城　李泽辉　 (74)专利代理 机构 佛山市禾才知识产权代理有 限公司 4 4379 专利代理师 刘羽波　陈嘉琦 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/20(2022.01) G06V 10/762(2022.01) G06V 20/70(2022.01) (54)发明名称 一种基于深度学习的铝膜缺陷检测方法及 相关设备 (57)摘要 本发明涉及目标检测技术领域， 具体涉及一 种基于深度学习的铝膜缺陷检测方法及相关设 备。 所述方法包括： S1、 通过 实时拍摄采集铝 膜图 像； S2、 对采集的所述铝 膜图像做预处理， 得到 预 处理图像； S3、 对所述预处理图像进行标签标记 处理， 得到关于所述预处理图像中铝膜缺陷对应 的标签； S4、 使用所述预处理图像进行缺陷检测 网络的训练， 并使用聚类算法计算图像中铝 膜缺 陷的预测框； S5、 使用余弦衰减学习率的方式迭 代沦陷所述缺陷检测 网络， 直到训练结束， 获取 训练得到的模 型权重参数， 并利用加载了所述模 型权重参数的所述缺陷检测模型进行铝膜缺陷 的检测。 本发 明采用深度学习模 型替代人工目检 实现铝膜缺陷检测， 提高了铝 膜检测的效率和精 度。 权利要求书1页 说明书5页 附图2页 CN 115100149 A 2022.09.23 CN 115100149 A 1.一种基于深度学习的铝膜缺陷检测方法， 其特 征在于， 所述方法包括以下步骤： S1、 通过实时拍摄采集铝膜图像； S2、 对采集的所述铝膜图像做预处 理， 得到预处 理图像； S3、 对所述预处理图像进行标签标记处理， 得到关于所述预处理图像中铝膜缺陷对应 的标签； S4、 使用所述预处理图像进行缺陷检测网络的训练， 并使用聚类算法计算图像中铝膜 缺陷的预测框； S5、 使用余弦衰减学习率的方式迭代沦陷所述缺陷检测网络， 直到训练结束， 获取训练 得到的模型权重参数， 并利用加载了所述模型权重参数的所述缺陷检测模 型进行铝膜缺陷 的检测。 2.如权利要求1所述的一种基于深度学习的铝膜缺陷检测方法， 其特征在于， 步骤S2 中， 所述预处理的方法包括随机角度的旋转、 图像亮度的改变、 随机平移、 翻转中的其中至 少一种。 3.如权利要求1所述的一种基于深度学习的铝膜缺陷检测方法， 其特征在于， 步骤S3 中， 所述标签的参数包括缺陷种类、 缺陷中心横坐标、 缺陷中心纵坐标、 缺陷宽度、 缺陷高 度。 4.如权利要求3所述的一种基于深度 学习的铝膜缺陷检测方法， 其特征在于， 所述缺陷 种类至少包括鱼眼、 杂物、 凹坑、 划痕。 5.如权利要求1所述的一种基于深度学习的铝膜缺陷检测方法， 其特征在于， 步骤S4 中， 所述聚类算法为K ‑means++。 6.如权利要求1所述的一种基于深度学习的铝膜缺陷检测方法， 其特征在于， 步骤S5 中， 在所述缺陷检测网络进行迭代训练 时， 设置训练轮数为150轮， 初始学习率为0.01， 优化 器使用SGD。 7.一种基于深度学习的铝膜缺陷检测系统， 其特 征在于， 包括： 图像采集模块， 用于通过实时拍摄采集铝膜图像； 图像预处 理模块， 用于对 采集的所述铝膜图像做预处 理， 得到预处 理图像； 标签标记模块， 用于对所述预处理图像进行标签标记处理， 得到关于所述预处理图像 中铝膜缺陷对应的标签； 聚类模块， 用于使用所述预处理图像进行缺陷检测网络的训练， 并使用聚类算法计算 图像中铝膜缺陷的预测框； 网络训练模块， 用于使用余弦衰减学习率的方式迭代沦陷所述缺陷检测网络， 直到训 练结束， 获取训练得到的模型权重参数， 并利用加载了所述模型权重参数 的所述缺陷检测 模型进行铝膜缺陷的检测。 8.一种计算机设备， 其特征在于， 包括： 存储器、 处理器及存储在所述存储器上并可在 所述处理器上运行的计算机程序， 所述处理器执行所述计算机程序时实现如权利要求 1至6 中任意一项所述的基于深度学习的铝膜缺陷检测方法中的步骤。 9.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质上存储有计算机 程序， 所述计算机程序被处理器执行时实现如权利要求 1至6中任意一项 所述的基于深度学 习的铝膜缺陷检测方法中的步骤。权　利　要　求　书 1/1 页 2 CN 115100149 A 2一种基于深度学习的铝膜缺陷检测方 法及相关设 备 技术领域 [0001]本发明涉及目标检测技术领域， 具体涉及 一种基于深度学习的铝膜缺陷检测方法 及相关设备。 背景技术 [0002]铝膜具有良好的功能特性， 在生活中的应用相当广泛， 例如 工业制造、 电子器件生 产等。 一般的， 铝膜通过特殊的化学工艺从原材料中得到， 而生产铝膜的厂家在生产铝膜的 过程中， 由于不可控的因素， 容易使得到的铝膜成品产生一些缺陷， 而产品的缺陷检测是厂 家生产过程需要把控的质量关， 铝膜缺陷因铝膜的表面比较平整、 光滑， 容易反射光线， 使 得表面缺陷不容易被检测得到， 因此亟需良好的检测方法来检测出铝膜的缺陷。 [0003]现多数厂家技术人员由于技术的原因， 铝膜的缺陷检测采用人工目检 的方法， 而 人工目检的方法存在以下问题： 一、 人工目检主观影响比较大， 检测的标准因人而异， 且人 工检测效率比较低下； 二， 铝膜生产的幅面比较大时， 人工漏检比较多， 并且铝膜表面光滑 更容易导致反光， 使得漏检出现的几率 也更大。 发明内容 [0004]本发明实施例提供一种基于深度学习的铝膜缺陷检测方法及相关设备， 旨在 解决 现有的铝膜检测使用人工目检， 导 致检测效率低下、 存在漏检情况的问题。 [0005]第一方面， 本发明实施例提供一种基于深度学习的铝膜缺陷检测方法， 所述方法 包括以下步骤： [0006]S1、 通过实时拍摄采集铝膜图像； [0007]S2、 对采集的所述铝膜图像做预处 理， 得到预处 理图像； [0008]S3、 对所述预处理图像进行标签标记处理， 得到关于所述预处理图像中铝膜缺陷 对应的标签； [0009]S4、 使用所述预处理图像进行缺陷检测网络 的训练， 并使用聚类算法计算图像中 铝膜缺陷的预测框； [0010]S5、 使用余 弦衰减学习率的方式迭代沦陷所述缺陷检测网络， 直到训练结束， 获取 训练得到的模型权重参数， 并利用加载了所述模型权重参数的所述缺陷检测模型进行铝膜 缺陷的检测。 [0011]更进一步地， 步骤S2中， 所述预处理的方法包括随机角度的旋转、 图像亮度的改 变、 随机平 移、 翻转中的其中至少一种。 [0012]更进一步地， 步骤S3中， 所述标签 的参数包括缺陷种类、 缺陷中心横坐标、 缺陷中 心纵坐标、 缺陷宽度、 缺陷 高度。 [0013]更进一步地， 所述缺陷种类至少包括鱼眼、 杂物、 凹坑、 划痕。 [0014]更进一步地， 步骤S4中， 所述聚类算法为K ‑means++。 [0015]更进一步地， 步骤S5中， 在所述缺陷检测网络进行迭代训 练时， 设置训 练轮数为说　明　书 1/5 页 3 CN 115100149 A 3