基于线阵CCD的物件表面缺陷检测方法及装置
阅读：708发布：2023-01-24
专利汇可以提供基于线阵CCD的物件表面缺陷检测方法及装置专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于线阵CCD的物件表面 缺陷 检测方法及装置，该装置通过固定的线阵CCD采集生产线上物件表面的图像信息，然后根据所采集到的图像信息，利用BP神经网络 算法 ，采用逐行检测是否存在缺陷的方法来实现缺陷的识别及缺陷 位置 的确定；装置包括光学 图像采集 模 块 、 信号 调理模块、A/D转换模块、驱动模块、电源模块、 可编程逻辑器件 及其外围 电路 和其 软件 系统。以上所述装置是以可编程逻辑器件为核心。本发明检测速度高，检测准确率高，且结构简单、成本低廉，适合用于对生产线上物体表面图像单一的缺陷的检测。，下面是基于线阵CCD的物件表面缺陷检测方法及装置专利的具体信息内容。
1.一种基于线阵CCD的物体表面缺陷检测方法，其特征在于，光源发出的光照射在物体表面上，物体表面的图像成像到线阵CCD器件的像元阵列表面，使得线阵CCD器件输出用于表征光强的模拟电压信号S(t)；线阵CCD器件中的每一个像数对应一个模拟电压信号S(t)；
采用BP神经网络对模拟电压信号S(t)进行分类处理，从而识别出物体表面缺陷；
所述的BP神经网络的输入层为一个神经元，输入信号为模拟电压信号S(t)；所述的BP神经网络的隐含层为一层，包含3个神经元；
所述的BP神经网络的输出层为一个神经元，输出0或1信号分别表示当前像素点对应的物体表面区域为缺陷或正常；由于像素点在线阵CCD中的位置与物体表面区域具有一一对应关系，因此，根据输出信号为0的像素点在线阵CCD器件中的位置即能确定物体的缺陷位置所在；
在使用BP神经网络前，先对BP神经网络进行数据预处理和训练；
所述的数据预处理的过程为：先用样本中的模拟电压信号S(t)的值除以该列的最大模拟电压信号S(t)的值，以使其输入值限定在区间[0,1]上；并且，用0表示“缺陷”，用1表示“正常”，作为BP神经网络的预期输出；
所述的训练过程为：
(1)初始化该网络的权值和偏差：网络的初始化权值和偏差取用随机函数生成的介于[-1,1]的小数；
(2)进行训练及扫描过程的迭代：
输出神经元的实际值>0.9时就认为此时的输出的布尔量是1，输出<0.1时认为此时的输出的布尔量是0；
将学习率η设为0.9，根据指定的终止条件神经网络的输出值和实际输出值的误差小于0.1，采用多个样本，对权值和偏差采用实例更新的方法进行训练及迭代；
①相对于前一层i，计算神经元j的净输入Ij为
②计算神经元输出：使用对数型的单极性Sigmoid函数 将各神经元j的输出映射到区间[0,1]；
③计算反向传播误差ERRj：对输出层的各神经元j，ERRj＝Oj*(1-Oj)*(Tj-Oj)，其中，Tj为训练样本的已知类标号实际输出；
④计算隐藏层神经元j的误差ERRj：从最后一个到第一个隐藏层的各神经元j，K为输出层的节点编号；
⑤更新权值：对网络中的中各权值Wij，使用下面两式来计算，
△Wij＝η*ERRj*Oj；
Wij＝Wij+△Wij；
⑥更新偏差：对网络中的各偏差θj，使用下面两式来计算
△θj＝η*ERRj；
θj＝θj+△θj；
训练完成后，从BP神经网络提取关于输入和输出类的关联规则。
2.一种基于线阵CCD的物体表面缺陷检测装置，其特征在于，采用权利要求1所述的基于线阵CCD的物体表面缺陷检测方法，包括光学图像采集模块、可编程逻辑器件、驱动模块、信号调理模块和A/D转换模块；
可编程逻辑器件通驱动模块驱动光学图像采集模块工作；光学图像采集模块的输出信号依次经信号调理模块和A/D转换模块输入到可编程逻辑器件进行处理；
光学图像采集模块包括光源、光学镜头和图像传感器。
3.根据权利要求2所述的基于线阵CCD的物体表面缺陷检测装置，其特征在于，还包括与可编程逻辑器件连接的显示屏和报警音箱。
基于线阵CCD的物件表面缺陷检测方法及装置
技术领域
[0001] 本发明涉及一种基于线阵CCD的物件表面缺陷检测方法及装置。
背景技术
[0002] 在诸多行业的材料及材料制成品中，表面缺陷是影响产品质量的重要因素之一，例如钢板、铝板、铜箔的结疤、麻点等缺陷不仅影响产品的外观，更严重的是降低了产品的抗腐蚀性、耐磨性和疲劳强度等；另外，在高质量聚合物薄膜应用领域，薄膜材料的缺陷同样会影响产品的性能，例如对于大屏幕平板显示器，薄膜材料的缺陷会影响保护屏的电气绝缘性能；对于高质量包装材料，薄膜材料的缺陷会降低包装的耐热性、抗腐蚀性；在印刷行业程中，由于工艺等原因，印刷品往往会出现色差、缺陷点、墨线等外观缺陷，从而导致印刷次品甚至是废品的出现。因此，在生产过程中若能对原材料和成品进行100%的自动检测并把检测所获得的信息用于质量控制和制成品筛选，将是提高产品质量的重要手段。
[0003] 传统的检测方法有非自动化的表面缺陷检测方法和自动化的表面缺陷检测方法；其中，非自动化的表面缺陷检测方法有人工目视抽检法和表面频闪光检测两种；自动化的表面缺陷检测方法有激光扫描法及CCD成像的计算机视觉检测方法等。
[0005] 频闪光检测：其检测原理是具有10~30us的脉冲闪光会引起视网膜静止反应，起到照相机快门的作用。将该检测方法进一步发展，即将频闪光源与专用的视频摄像机结合，通过监视器观察缺陷。这种方法成本低，但是自动化程度也低。
[0006] 激光扫描检测法：激光扫描检测法属于视觉检测的范畴。当聚焦后的激光光束落在被检测物体的表面时，根据材料表面的性质和结构，辐射线或多或少地被散射。如果物体表面存在缺陷，必然使得散射强度相对于正常表面发生变化，检测出其变化就可以检测出物体表面的缺陷。这种缺陷检测过程中数据量非常大，利用通用微处理器很难做到实时处理，因此检测速度慢；若要提高检测速度，则需要采用专用机进行数据处理，造成缺陷检测的成本过高。
[0007] CCD成像检测法：CCD(Charge Coupled Devices）即电荷耦合器件，是一种新型的固体成像器件。它是在大规模硅集成电路工艺基础山研制而成的模拟集成电路芯片，集光电转换、光积分、扫描三种功能为一体。其基本部分由MOS光敏元阵列和读出移位寄存器组成。CCD器件具有体积小、重量轻、耐振动冲击、受环境电磁场影响小、工作距离大、测量精度高、成本低等优点，被广泛应用于各种工业现场的测量和控制中。传统的CCD成像检测法主要为面阵CCD图像拼接法。
[0008] 面阵CCD图像拼接法：检测系统采用多个面阵CCD摄像头，相邻摄像头之间视场相互搭接，实现对板材表面信息的采集。采集图像的分辨率取决于CCD摄像头传感器的数目，同一类型的摄像头采集到的图像的分辨率是固定的，可以通过调整摄像头采集图像的大小来改变系统的检测精度。该检测方法的优点在于：适用范围比较广，适应环境能力强，可以同时实现对表面缺陷多种参数的判断。缺点是：对光源的均匀性要求很高，照明的非均匀性通过调整视频信号的放大倍数来校正，从而得到统一的灰度级图像，这最终导致信噪比的降低，因为暗域的信号噪声同时也被放大，从图像增强明暗对比度和光源非均匀性对图像影响校正角度来说，二维图像相对线扫描得到的一维图像来说显得更复杂，因此光源的不稳定是导致检测系统误判的主要原因；2、由于面阵CCD摄像机之间成像视场交迭以确保不漏检，所以图像冗余数据量较大；图像处理、缺陷分类通常由软件完成，软件计算工作量大。
[0009] 因此，现有表面缺陷检测系统具有检测数据量大、检测速度慢、检测成本高、检测装置复杂等缺点。
发明内容
[0010] 本发明所要解决的技术问题是提供一种基于线阵CCD的物件表面缺陷检测方法及装置，该基于线阵CCD的物件表面缺陷检测方法及装置检测速度快，检测准确率高，且结构简单、成本低廉，适合用于对生产线上的物件表面图像单一的缺陷在线检测。
[0011] 发明的技术解决方案如下：
[0012] 一种基于线阵CCD的物体表面缺陷检测方法，光源发出的光照射在物体表面上，物体表面的图像成像到线阵CCD器件的像元阵列表面，使得线阵CCD器件输出用于表征光强的模拟电压信号S(t)；线阵CCD器件中的每一个像数对应一个模拟电压信号S(t)；
[0013] 采用BP神经网络对模拟电压信号S(t)进行分类处理，从而识别出物体表面缺陷；
[0015] 所述的BP神经网络的隐含层为一层，包含3个神经元；
[0016] 所述的BP神经网络的输出层为一个神经元，输出0或1信号分别表示当前像素点对应的物体表面区域为缺陷或正常；由于像素点在线阵CCD中的位置与物体表面区域具有一一对应关系，因此，根据输出信号为0的像素点在线阵CCD器件中的位置即能确定物体的缺陷位置所在。
[0017] 在使用BP神经网络前，先对BP神经网络进行数据预处理和训练；
[0018] 所述的数据预处理的过程为：先用样本中的模拟电压信号S(t)的值除以该列的最大模拟电压信号S(t)的值，以使其输入值限定在区间[0,1]上；并且，用0表示“缺陷”，用1表示“正常”，作为BP神经网络的预期输出；
[0019] 所述的训练过程为：
[0020] （3）初始化该网络的权值和偏差：网络的初始化权值和偏差取用随机函数生成的介于[-1,1]的小数；
[0021] （4）进行训练及扫描过程的迭代：
[0022] 输出神经元的实际值>0.9时就认为此时的输出的布尔量是1，输出<0.1时认为此时的输出的布尔量是0；
[0023] 将学习率η设为0.9，根据指定的终止条件神经网络的输出值和实际输出值的误差小于0.1【此处的误差就是指后文输出层的神经元的偏差，在本发明中是指偏差θ5】，采用多个样本，对权值和偏差采用实例更新的方法进行训练及迭代；
[0024] ①相对于前一层i，计算神经元j的净输入Ij为Ij＝∑(Wij·Oi)+θj；
[0025] ②计算神经元输出：使用对数型的单极性Sigmoid函数 将各神经元j的输出映射到区间[0,1]；
[0026] ③计算反向传播误差ERRj：对输出层的各神经元j，ERRj=Oj*(1-Oj)*(Tj-Oj)，其中，Tj为训练样本的已知类标号实际输出；【Tj是训练样本的实际量化输出，只能取0或是1，而Oj不是离散的，是连续的，其变化范围为[0.1]，对于本系统，因为输出只有两类：0或是1，故条件可适当放宽，当此处的Oj输出>0.9时就认为是1，Oj输出<0.1时认为是0。】[0027] ④计算隐藏层神经元j的误差ERRj：从最后一个到第一个隐藏层的各神经元j，ERRj=Oj*(1-Oj)*∑(ERRk*Wjk),K为输出层的节点编号；
[0028] ⑤更 新权 值：对网 络中 的中 各权 值Wij，使 用 下面 两式 来计 算，ΔWij=η*ERRj*Oj；
[0029] Wij=Wij+ΔWij；
[0030] ⑥更新偏差：对网络中的各偏差θj，使用下面两式来计算
[0031] Δθj=η*ERRj；
[0032] θj=θj+Δθj；
[0033] 训练完成后，从BP神经网络提取关于输入和输出类的关联规则。
[0035] 可编程逻辑器件通驱动模块驱动光学图像采集模块工作；光学图像采集模块的输出信号依次经信号调理模块和A/D转换模块输入到可编程逻辑器件进行处理；
[0036] 光学图像采集模块包括光源、光学镜头和图像传感器。
[0037] 所述的基于线阵CCD的物体表面缺陷检测装置还包括与可编程逻辑器件连接的显示屏和报警音箱。
[0038] 有益效果：
[0039] 本发明公开了一种基于线阵CCD的物件表面缺陷检测方法及装置，该装置通过固定的线阵CCD采集生产线上物件表面的图像信息，然后根据所采集到的图像信息，利用BP神经网络算法，采用逐行检测是否存在缺陷的方法来实现缺陷的识别及缺陷位置的确定；装置包括光学图像采集模块、信号调理模块、A/D转换模块、驱动模块、电源模块、可编程逻辑器件及其外围电路和其软件系统。以上所述装置是以可编程逻辑器件为核心。本发明检测速度高，检测准确率高，且结构简单、成本低廉，适合用于对生产线上物体表面图像单一的缺陷的检测。
[0040] 对线阵CCD采集到的每帧(帧的解释为：线阵CCD的每个像元对应一个输出数据，线阵CCD扫描全部像元一次所输出的数据为一帧，系统每采集到一帧数据，就把这一帧数据保存起来，并单独对这一帧数据进行处理)图像数据单独进行处理，并单独判断这帧图像数据里面是否存在缺陷数据，而不像传统方案一样，先将图像数据全部采集完成，再进行图像分析、处理。
[0041] BP神经网络算法是通过迭代地处理一组训练样本，将各样本的网络预测与实际已知类标号比较来进行学习。对于各样本反向修改其权值，使得网络预测与实际类之间的误差平方最小。BP神经网络算法按照最优训练准则反复迭代，确定并不断调整神经网络结构，通过迭代修改，当权值收敛时学习过程终止。因此，它具有误差小、收敛性好、动态性好、结果客观等优点。
[0042] 采用线阵CCD扫描法，其优点是：
[0043] 1、由于自身的高扫描率和高分辨率，表面检测在板宽方向可以达到更高的分辨率和精度；
[0044] 2、对比面阵CCD扫描方法，校正畸变误差和光学非均匀性更为容易；
[0045] 3、无冗余数据或冗余数据量很小【由于面阵CCD摄像机之间成像视场交迭以确保不漏检，所以图像冗余数据量较大，而线阵CCD则不存在此问题，故无冗余数据或冗余数据量很小】，线阵CCD扫描易于实现行内、行间算法，而行内相关和行间相关的图像处理算法对缺陷检出非常有效。
[0046] 通过固定的线阵CCD采集生产线上物体表面的图像信息，然后根据采集到的图像信息，采用逐行检测是否存在缺陷的方法来识别缺陷和确定缺陷位置等信息。
[0047] 逐行检测是否存在缺陷的原理为：利用可编程逻辑器件对线阵CCD采集到的每帧图像数据单独进行处理，并单独判断这帧图像数据里面是否存在缺陷数据【缺陷数据和正常数据的界定并不是一成不变的，因为不同材料的表面，缺陷数据和正常数据都不一样，故缺陷数据和正常数据的需根据具体的材料表面来界定。在系统刚开始运行时，会有一个自学习阶段。在此阶段中，会分别把正常样本和缺陷样本提供给系统学习，学习阶段结束，系统会学习到正常和缺陷样本所具有的特征（线阵CCD输出的电平值的大小）。故在此系统中，并不是存在一种固定数据的值为对应缺陷数据的值，而是根据不同的表面材料，缺陷数据会有不同的特征。即系统的自适应能力强，具有一定的人工智能。】，而不像传统方案一样，先将图像数据全部采集完成，再进行图像分析、处理。对存在缺陷的行，需进一步处理：若该行是一个新的缺陷的开始，则根据系统运行情况，记录这个缺陷的位置等信息并语音报警。其中，缺陷识别原理为：
[0048] 1、学习阶段。在对数据进行分类前，有一个自学习阶段。该阶段采用BP神经网络算法提取材料表面特征。
[0049] 2、数据分类阶段。对每行采集到的数据，使用BP神经网络算法进行数据的分类，分成两类：正常和缺陷。若本行的数据全部属于“正常”类，则该行不存在缺陷；若本行存在属于“缺陷”类的数据，则该行存在缺陷。
[0051] 图1是系统结构框图；
[0052] 图2是一维电子摄像系统工作原理示意图；
[0053] 图3是缺陷识别方法的流程图；
[0054] 图4是一个存在缺陷的物件表面示意图。
[0055] 图5为本发明中的BP神经网络的拓扑结构图。
具体实施方式
[0056] 以下将结合附图和具体实施例对本发明做进一步详细说明：
[0057] 实施例1：
[0058] 参见图1，本发明包括了光学图像采集模块、信号调理模块、A/D转换模块、驱动模块、电源模块、可编程逻辑器件及其外围电路。所述可编程逻辑器件是该系统的核心，分别与A/D转换模块、驱动模块、电源模块等相连。
[0059] 光学图像采集模块。该模块由光源、光学镜头和图像传感器组成，该模块负责采集物体表面图像。图像传感器采用的是线阵CCD。该模块由电源模块供电，并接受驱动模块的驱动，其采集到的物体表面图像信息传给信号调理模块。
[0060] 信号调理模块。该模块包括放大和滤波两部分，为现有技术。由于CCD器件的输出模拟信号范围与A/D转换芯片的模拟输入信号的范围不匹配，故在A/D转换之前必须进行放大（此处的放大是一个广义的概念），使其适合于模数转换器(ADC)的输入；同时滤波电路用于滤除信号中的干扰噪声。该模块由电源模块供电，其输入是光学图像采集模块的输出，其输出是A/D转换模块的输入。
[0061] 驱动模块。由于CCD工作时的驱动信号电平与可编程逻辑器件输出的信号电平不匹配，所以需要采用电压变换器组成驱动电路将可编程逻辑器件输出时序信号转换为CCD所需电平，为现有技术。
[0062] A/D转换模块。A/D转换模块在采样时钟控制下将模拟信号转换成相应的数字信号输出，并通过数据线将转换后的数字信号传输到可编程逻辑器件中，以便于可编程逻辑器对数据进行处理。该模块由电源模块供电，其输入是信号调理模块的输出和可编程逻辑器件的控制命令，其输出是数字化的模拟信号，输出到可编程逻辑器件。
[0064] 电源模块用来给系统的各部分进行供电，由于系统的各部分可能供电电压不相同（如有5V、3.3V、1.2V等），故该模块输出多路直流电压。
[0065] 本发明的工作原理如下：
[0066] 参见图2，光源发出的光照射在带有缺陷的物体表面上，此时CCD器件及外围电路与光学系统组成了一维电子摄像系统。在照射光下，材料中的缺陷被成像到CCD器件像元阵列表面，经CCD输出的是连续分布的载有缺陷信息的模拟电压信号S(t)（S(t)与入射光强成正比）。接着信号调理模块就对S(t)信号进行调理，调理结束后送入A/D转换模块进行数字化，数字化后送入可编程逻辑器件进行处理。本系统采用的是逐行检测是否存在缺陷的方法来识别缺陷和确定缺陷位置等信息，即利用可编程逻辑器件对线阵CCD采集到的每帧图像数据单独进行处理，并单独判断这帧图像数据里面是否存在缺陷数据，而不像传统方案一样，先将图像数据全部采集完成，再进行图像分析、处理。对存在缺陷的行，需进一步处理：若该行是一个新的缺陷的开始，则根据系统运行情况，记录这个缺陷的位置等信息并语音报警。
[0067] 某一实例检测样本如图4所示：
[0068] 一个具体实例如下：
[0069] 1、学习阶段。在对数据进行分类前，有一个自学习阶段。该阶段采用BP神经网络算法提取材料表面特征。步骤如下：
[0070] 1）、数据预处理。在开始训练之前，需要对采集到的样本数据进行规范化及对离散型的数据类别属性重新编码。先用样本中对应的电压值除以该列的最大属性值，以使其输入值限定在区间[0,1]上，对于离散型的数据类别属性，重新编码，用0表示“缺陷”，用1表示“正常”，作为预期输出。规范化后的数据如表2所示。【CCD的输出电压是每个像素的输出电压，虽然缺陷的尺寸一般不太可能只有一个像素大，但是我们的方案是采用逐行判断是否存在缺陷的方法，即单独判断采集到的每一行是否存在缺陷，具体的原因上文已经阐述了。我们采用的是有1024个像素的线阵CCD，那么线阵CCD每扫描一次就串行地输出代表1024个像素点光强的电压值，这1024个电压值就是一帧，然后再单独对这1024个电压值进行处理，判断这1024个电压中是否存在属于“缺陷类”的电压。待检测材料的运动方向与线阵CCD的扫描方向垂直，故在线阵CCD不运动的情况下，待检测材料运动就可以实现待检测材料全部表面的扫描。】
[0071] 表1样本数据（该表中只提供了代表性的几个数据，因为其他的数据和这些都大同小异）
[0073]3 1.368 正常
4 1.383 正常
5 1.392 正常
6 2.003 缺陷 浅颜色缺陷
7 2.007 缺陷 浅颜色缺陷
......
4 1.383 正常
5 1.392 正常
6 2.003 缺陷 浅颜色缺陷
7 2.007 缺陷 浅颜色缺陷
......
[0074] 表2规范化后的样本数据
[0075]样本编号 CCD输出电压/V 数据类型
1 0.427 0
2 0.431 0
3 0.456 1
4 0.461 1
5 0.464 1
6 0.668 0
7 0.669 0
......
1 0.427 0
2 0.431 0
3 0.456 1
4 0.461 1
5 0.464 1
6 0.668 0
7 0.669 0
......
[0076] 2）、设计网络拓扑结构。网络拓扑设计的关键是确定隐藏层的神经元个数及各神经元初始值和偏差；经过训练过的网络，若其准确性不能被接受，则必须重新进行拓扑设计或改用不同的初始权值和偏差。
[0077] 根据分析，设1个输入层，1个包含3个神经元的隐藏层和1个输出层（神经元取值0表示数据“缺陷”类，取1表示数据“正常”类。网络拓扑结构如图5所示。
[0078] 3）、初始化该网络的权值和偏差。网络的初始化权值和偏差取用随机函数生成的介于[-1,1]的小数，网络的初始化权值和偏差如表3所示。【θ2-5分别代表隐藏层神经元2、3、4和输出层神经元5的偏差】
[0079] 表3
[0080]W12 W13 W14 W25 W35 W45 θ2 θ3 θ4 θ5
-0.1 0.3 0.1 -0.1 0.4 0.2 -0.3 0.4 0.2 0.2
-0.1 0.3 0.1 -0.1 0.4 0.2 -0.3 0.4 0.2 0.2
[0081] 4）、进行训练及扫描过程的迭代。根据学习率及指定的终止条件（神经网络的输出值和实际输出值的误差小于某一阈值.对于本系统，因为输出只有两类：0或是1，故条件可适当放宽，输出>0.9时就认为是1，输出<0.1时认为是0。），对权值和偏差采用实例更新的方法进行训练及扫描过程迭代。
[0082] 将学习率η设为0.9，根据指定的终止条件（神经网络的输出值和实际输出值的误差小于0.1）对权值和偏差采用实例更新的方法进行训练及扫描过程迭代。首先，取表2中的1号样本，将其输入0.427提供给网络，计算出各神经元的净输入、输出和误差，并反向传播所得误差，再更新权值和偏差；
[0083] ①计算神经元j的净输入：相对于前一层i，计算神经元j的净输入Ij为Ij=∑(Wij·Oi)+θj；
[0084] ②计算神经元输出：使用对数型的单极性Sigmoid函数 将各神经元j的输出映射到区间[0,1]；
[0085] ③计算反向传播误差：对输出层的各神经元j，ERRj=Oj*(1-Oj)*(Tj-Oj)，其中，Tj为训练样本的已知类标号实际输出；
[0086] ④计算隐藏层神经元j的误差ERRj：从最后一个到第一个隐藏层的各神经元j，ERRj=Oj*(1-Oj)*∑(ERRk*Wjk),K为输出层的节点编号；
[0087] ⑤更新权值：对网络中的中各权值Wij，使用下面两式来计算，
[0088] ΔWij=η*ERRj*Oj，
[0089] Wij=Wij+ΔWij；
[0090] ⑥更新偏差：对网络中的各偏差θi，使用下面两式来计算
[0091] Δθj=η*ERRj；
[0092] θj=θj+Δθj；
[0093] 第一次扫描迭代中，各神经元的净输入、输出、误差、权值、偏差更新如表4所示。
[0094] 然后，取2号样本，将其输入0.431提供给网络，根据1号样本更新后的权值和偏差，计算各神经元的净输入、输出和误差，以及再次更新的权值和偏差。对所有样本重复上述过程，完成第1次扫描迭代。若第一次扫描迭代不满足终止条件，则开始下一轮扫描迭代，直到满足终止条件，迭代结束。
[0095] 表4
[0096]
[0097] 2）导出关联规则。通过上述训练后，BP神经网络可提取关于输入和输出类的关联规则，即何种数据输入对应何种输出。
[0098] 2、数据分类阶段。使用BP神经网络算法进行数据分类，是采用BP算法将训练样本的各属性值作为输入，把实际类作为输出。对训练后的BP神经网络，通过剪枝、神经元或活跃值的聚类处理，导出输入层和输出层的关联规则，根据这些规则即可实现具体数据的分类。本系统数据分成两类：正常和缺陷。若本行的数据全部属于“正常”类，则该行不存在缺陷；若本行存在属于“缺陷”类的数据，则该行存在缺陷。
[0099] 缺陷识别软件流程图如图3所示。
[0100] 实验表明，对运行速率为200m/min的生产线上物体表面图像单一的缺陷检测检测准确率可达95%以上。
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
缺陷热门专利
QQ群二维码
意见反馈
意见反馈