11、基于卷积级联的混合神经网络模型在图像缺陷检测中的应用

基于卷积级联的混合神经网络模型在图像缺陷检测中的应用

1. 训练参数设置

在进行图像缺陷检测的神经网络训练时，需要确定一系列的参数，以下是主要的变量参数及其取值：
| 变量 | 状态 |
| — | — |
| 图像输入 | RGB |
| 图像尺寸 | 640 x 640 |
| 数据集文件夹 | 在 .mat 文件中定义 |
| 数据集参数 | 20% 验证集，5% 测试集 |
| 训练参数 | 在 .mat 文件中定义 |
| 训练轮数 | 50–100–500–1000 |
| CNN 架构 | SSD - MOBILENET; RESNET |

2. 案例研究

在生产环境中，为了对产品进行正确分类并检测其是否存在缺陷，选取了不同的实际参考样本。问题聚焦于生产线和产品的最终组装环节，操作员手动将产品组件放入袋子并包装整批产品，同时相机拍摄组件包装的图片，以备可能的索赔或质量问题查询。

新安装的相机系统获取图像后，需要对图像进行处理以稳定输入到网络。具体流程如下：

graph LR
    A[获取图像] --> B[识别不同参考并裁剪]
    B --> C[图像分类及缺陷检测]

输入图像需要进行预处理，以确保输入到网络的稳定性和同质性。预处理包括以下几个顺序步骤：
1. 灰度转换 ：图像为 RGB 模式，包含 3 个通道，每个通道是与图像像素宽和长对应的矩阵，像素值在 0 到