【技术实现步骤摘要】
本专利技术涉及丝网印刷，具体涉及一种基于深度学习的镭射网版缺陷检测及定位方法和系统。
技术介绍
1、现有的镭射网版加工流程为：张聚酯网-热熔-顶框-脱脂-覆膜-镭射-线宽测量-目测-张力膜厚-胶带粘附-二次元检测-目视终检-出货检查-装箱打包。显然，通过人工目测检查镭射网版是否存在缺陷使得判断结果不够精准，并且检测效率低，当镭射完成后还需要将镭射网版从镭射机上取下到另一工位进行检测，这样会使得检测效率低。现有技术中，还会通过利用数字图像处理技术，分析图像中的像素分布、亮度、颜色等布局纹理等信息，从而判断图像中是否存在一定的缺陷，但是该种方法的检测精度较低，并且没有去缺陷定位的功能。
2、上述问题是目前亟待解决的。
技术实现思路
1、本专利技术要克服现有技术的上述至少一个缺点，一方面，提供了一种基于深度学习的镭射网版缺陷检测及定位方法，所述方法包括：将经过覆膜后的丝网网版在镭射机上进行镭射加工生成镭射网版；通过ccd相机获取所述镭射网版图像信息；基于融合滤波算法和roi提取对所述镭射网版图像信息进行预处理；通过在vggnet网络中添加批归一化层和全局池化层构建优化后的y-vggnet网络模型；将优化后的y-vggnet网络模型和grad-cam网络模型进行融合；通过adam优化算法对融合后的网络模型进行训练；将经过预处理后的镭射网版图像信息输入至训练后的y-vggnet网络模型中生成检测结果；当所述检测结果为镭射网版图像信息中有缺陷时，将包含缺陷的镭射网版图像信息输入至g
2、进一步的，所述将经过覆膜后的丝网网版在镭射机上进行镭射加工生成镭射网版包括：将丝网网版在镭射机上进行定位；通过镭射机基于预设的图形信息在丝网网版上进行镭射使镭射网版上的图像信息与所述预设的图形信息一致。
3、进一步的，所述融合滤波算法为将均值滤波算法和高斯滤波算法进行融合，融合后的公式为：h＝k×f+(1-k)×g；式中h代表结果图像，k为权值，f和g分别代表均值滤波函数和高斯滤波函数；均值滤波函数为：
4、式中f(x,y)代表滤波后图像各像素点的灰度值，f(x,y)代表滤波前各像素点的灰度值，m2为邻域所包含像素点的个数；高斯滤波公函数为：
5、
6、式中，d2(u,v)表示为u2-v2，即为到模板中心点的距离，σ表示高斯曲线扩展的程度。
7、进一步的，所述rio提取包括：采用prewitt算法进行rio提取；所述prewitt算法包括：
8、其中，卷积模板
9、进一步的，构建后的y-vggnet网络模型包括：输入层，n个卷积块，全局池化层以及一个softmax层；其中，n为大于或等于1的正整数；每一个卷积块包括：卷积层，批归一化层和池化层。
10、进一步的，所述构建后的y-vggnet网络模型包括：通过在y-vggnet网络模型中的每个卷积层后面添加批归一化层，调整各层的激活值分布使其拥有适当的广度；计算公式包括：
11、式中，xi代表第i个训练样本，m为批归一化数目，μb和分别代表样本均值和方差，(xi)′为批归一化样本，ε为误差项，yi为线性映射后的值，γ，β为模型需要学习的参数。
12、进一步的，所述全局池化层选用全局平均池化，通过在全连接层后增加dropout层形成全局池化层。
13、进一步的，所述通过adam优化算法对融合后的网络模型进行训练包括：通过adam算法利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率，包括：加载预训练权重作为初始化权重；将样本数据集划分为训练集和验证集；生成器每次选取预设数目的训练样本；基于融合滤波算法和roi提取对所述训练样本进行预处理；通过y-vggnet网络模型前向传播得到输出值；基于所述输出值计算损失函数；判断是否达到预设的训练轮数；当未达到预设的训练轮数时，反向传播误差更新权值。
14、进一步的，所述方法包括：当检测结果为镭射网版图像信息中含有缺陷时则生成报警信息。
15、第二方面，本专利技术提供了一种基于深度学习的镭射网版缺陷检测及定位系统，所述系统包括：镭射单元，适用于将经过覆膜后的丝网网版在镭射机上进行镭射加工生成镭射网版；图像获取单元，适用于通过ccd相机获取所述镭射网版图像信息；图像预处理单元，适用于基于融合滤波算法和roi提取对所述镭射网版图像信息进行预处理；优化单元，适用于通过在vggnet网络中添加批归一化层和全局池化层构建优化后的y-vggnet网络模型；融合单元，适用于将优化后的y-vggnet网络模型和grad-cam网络模型进行融合；训练单元，适用于通过adam优化算法对融合后的网络模型进行训练；生成检测结果单元，适用于将经过预处理后的镭射网版图像信息输入至训练后的y-vggnrt网络模型中生成检测结果；定位单元，适用于当所述检测结果为镭射网版图像信息中有缺陷时，将包含缺陷的镭射网版图像信息输入至grad-cam网络模型生成位置信息。
16、又一方面，本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有一个或一个以上的指令，所述计算机指令用于使所述计算机执行上述的基于深度学习的镭射网版缺陷检测及定位方法。
17、再一方面，本专利技术提供了一种电子设备，包括：存储器和处理器；所述存储器中存储有至少一条程序指令；所述处理器通过加载并执行所述至少一条程序指令以实现上述的基于深度学习的镭射网版缺陷检测及定位方法。
18、本专利技术的有益效果是：本专利技术提供了一种基于深度学习的镭射网版缺陷检测及定位方法，所述方法包括：将经过覆膜后的丝网网版在镭射机上进行镭射加工生成镭射网版；通过ccd相机获取所述镭射网版图像信息；基于融合滤波算法和roi提取对所述镭射网版图像信息进行预处理；通过在vggnet网络中添加批归一化层和全局池化层构建优化后的y-vggnet网络模型；将优化后的y-vggnet网络模型和grad-cam网络模型进行融合；通过adam优化算法对融合后的网络模型进行训练；将经过预处理后的镭射网版图像信息输入至训练后的y-vggnet网络模型中生成检测结果；当所述检测结果为镭射网版图像信息中有缺陷时，将包含缺陷的镭射网版图像信息输入至grad-cam网络模型生成缺陷所在的位置信息。通过改进的y-vggnet卷积神经网络包括：卷积层、池化层、批归一化层、全局池化层以及softmax层。改进的卷积神经网络能够在很大程度上克服训练的过拟合，收敛速度明显加快，训练一轮的时间在54.6s左右，测试准确率和损失精度最终维持在99.5％和0.24，优于未改进的网络，具有较高的识别精度和鲁棒性。通过roi提取根据外边缘将镭射网版区域从图像中分割出来，避免图像背景对后期的图像运算造成影响。在镭射网版缺陷检测效率与准确率方面具有较大提升且实现了镭射网版缺陷像素级定位，同时网络模型具备轻量性为部署移动端提供了可能。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的镭射网版缺陷检测及定位方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于深度学习的镭射网版缺陷检测及定位方法，其特征在于，所述将经过覆膜后的丝网网版在镭射机上进行镭射加工生成镭射网版包括：
3.根据权利要求1所述的基于深度学习的镭射网版缺陷检测及定位方法，其特征在于，所述融合滤波算法为将均值滤波算法和高斯滤波算法进行融合，融合后的公式为：
4.根据权利要求1所述的基于深度学习的镭射网版缺陷检测及定位方法，其特征在于，所述RIO提取包括：
5.根据权利要求1所述的基于深度学习的镭射网版缺陷检测及定位方法，其特征在于，构建后的Y-VGGNet网络模型包括：
6.根据权利要求5所述的基于深度学习的镭射网版缺陷检测及定位方法，其特征在于，所述构建后的Y-VGGNet网络模型包括：
7.根据权利要求1所述的基于深度学习的镭射网版缺陷检测及定位方法，其特征在于，所述全局池化层选用全局平均池化，通过在全连接层后增加Dropout层形成全局池化层。
8.根据权利要求1所述的基于深
9.根据权利要求1所述的基于深度学习的镭射网版缺陷检测及定位方法，其特征在于，所述方法包括：
10.一种基于深度学习的镭射网版缺陷检测及定位系统，其特征在于，所述系统包括：
...【技术特征摘要】
1.一种基于深度学习的镭射网版缺陷检测及定位方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于深度学习的镭射网版缺陷检测及定位方法，其特征在于，所述将经过覆膜后的丝网网版在镭射机上进行镭射加工生成镭射网版包括：
3.根据权利要求1所述的基于深度学习的镭射网版缺陷检测及定位方法，其特征在于，所述融合滤波算法为将均值滤波算法和高斯滤波算法进行融合，融合后的公式为：
4.根据权利要求1所述的基于深度学习的镭射网版缺陷检测及定位方法，其特征在于，所述rio提取包括：
5.根据权利要求1所述的基于深度学习的镭射网版缺陷检测及定位方法，其特征在于，构建后的y-vggnet网络模型包括：
...【专利技术属性】
技术研发人员：刘石，吴冬，
申请(专利权)人：常州亚龙电子科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。