(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 202211163880.5 (22)申请日 2022.09.23 (71)申请人 苏州元极智能科技有限公司 地址 215000 江苏省苏州市工业园区通园 路75号2幢1 126室 (72)发明人 孙学真　 (74)专利代理 机构 苏州根号专利代理事务所 (普通合伙) 32276 专利代理师 项丽 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/764(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于人工智能的工业缺陷检测分析系 统 (57)摘要 本发明涉及一种基于人工智能的工业缺陷 检测分析系统， 包括像素级实例分割模块、 缺陷 检测分类模块， 所述的像素级实例分割模块用于 在待分析的视频图像中实例化出要检测识别的 目标并进行分割以提供目标区域； 所述的缺陷检 测分类模块用于对待识别目标区域进行精细化 分析， 得到最终的缺陷区域及缺陷模型。 本发明 通过采用像素级的实例分割方案和目标检测识 别分析， 有效的解决了目标定位不准， 缺陷位置 和类型识别率不高的问题， 可以广泛的应用于工 业企业作业过程中。 权利要求书1页 说明书4页 附图1页 CN 115526856 A 2022.12.27 CN 115526856 A 1.一种基于人工智能的工业缺陷检测分析系统， 其特征在于： 包括像素级实例分割模 块、 缺陷检测分类模块， 所述的像素级实例分割模块用于在待分析 的视频图像中实例化出 要检测识别的目标并进行分割以提供目标区域； 所述的缺陷检测分类模块用于对待识别目 标区域进行精细化分析， 得到最终的缺陷区域及缺陷模型。 2.根据权利要求1所述的一种基于人工智能的工业缺陷检测分析系统， 其特征在于： 所 述的像素级实例分割模块基于SOLO网络进行优化形成SOLO骨干网络以提升网络模型的运 行速度。 3.根据权利要求2所述的一种基于人工智能的工业缺陷检测分析系统， 其特征在于： 所 述的SOLO骨干网络中加入有精简FPN结构以增强边 缘端分析能力。 4.根据权利要求2所述的一种基于人工智能的工业缺陷检测分析系统， 其特征在于： 所 述的SOLO骨干网络形成步骤如下： （1） 基于I nception‑V2的基础上去除其网络层5a及以后的网络层； （2） 保留的网络层5a之前的结构中， 对每个卷积层的通道数进行剪枝操作， 剪枝操作包 括两个部 分， 第一部 分是训练N个网络模型， 把N个模型的所有 卷积层中的参数进 行加权， 加 权数据根据所有训练样本完成一次训练所得模型 的倒数， 将加权后的参数除以总 数， 得到 完整的网络模型参数； 第二部分， 对每一层的网络参数进行由大到小的排序， 当小于某个阈 值P时， 删除该数据， 然后统计每个通道上保留的权重的个数， 得到最终的每个卷积层上 的 通道数。 5.根据权利要求4所述的一种基于人工智能的工业缺陷检测分析系统， 其特征在于： 所 述的精简FPN结构为去除较早层 处的FPN， 采用所述的剪枝算法再优化FPN分支 中的卷积层 通道。 6.根据权利要求1所述的一种基于人工智能的工业缺陷检测分析系统， 其特征在于： 所 述的缺陷检测分类模块采用精简化的Y OLO‑V7作为主干网络， 采用多任务结构， 对缺陷位置 区域以及缺陷类型进行训练。 7.根据权利要求6所述的一种基于人工智能的工业缺陷检测分析系统， 其特征在于： 所 述的YOLO ‑V7精简的方式如下： （1） 修改输入图像的分辨 率； （2） 去除原 始结构中的部分bl ock模型； （3） 对保留的网络结构进行通道剪枝。 8.根据权利要求7所述的一种基于人工智能的工业缺陷检测分析系统， 其特征在于： 在 所述的YOLO ‑V7输出分支中， 并行 添加属性分支和检测分支以形成相互增强。权　利　要　求　书 1/1 页 2 CN 115526856 A 2一种基于人工智能的工 业缺陷检测分析系统 技术领域 [0001]本发明涉及工业缺陷检测识别领域， 尤其涉及一种基于人工智能的工业缺陷检测 识别系统。 背景技术 [0002]工业产品制造过程中， 会出现很多缺陷。 这些缺陷类型往往不固定， 包括工业产品 的边缘缺陷、 气泡、 空洞、 裂痕等。 [0003]工业缺陷检测识别， 是一种通过机器视觉算法来自动识别工业相机拍摄的图像中 的缺陷位置的技 术。 它的准确性和自动化 程度对工业质量控制起着至关重要的作用。 [0004]现有的技术中， 更多的是使用检测方案直接检测缺陷位置， 然而在实践中， 由于工 业现场环境复杂， 缺陷形态多变， 导致检测识别精度不足。 因此， 需要解决的问题主要有两 个方面： 第一， 如何精确定位目标； 第二， 如何精准检测和识别缺陷位置和缺陷类型。 本申请 正是基于这两方面的问题所做出的 的改进。 [0005]基于上述分析， 本发明专利一种基于人工智能的工业缺陷检测识别系统， 该系统 以深度学习为基础， 采用像素级的实例分割方案和目标检测识别 分析， 有效的解决了目标 定位不准， 缺陷位置和类型识别率 不高的问题。 发明内容 [0006]本发明的目的是要提供一种基于人工智能的工业缺陷检测分析系统， 有效的解决 了目标定位 不准、 缺陷位置和类型识别率 不高的问题。 [0007]为达到上述目的， 本 发明采用的技术方案是：  一种基于人工智能的工业缺陷检测 分析系统， 包括像素级实例分割模块、 缺陷检测分类模块， 所述的像素级实例分割模块用于 在待分析的视频图像中实例化出要检测识别的目标并进行分割以提供目标区域； 所述的缺 陷检测分类模块用于对待识别目标区域进行精细化分析， 得到最终的缺陷区域及缺陷模 型。 [0008]进一步地， 所述的像素级实例分割模块基于SOLO网络进行优化形成SOLO骨干网络 以提升网络模型的运行速度。 [0009]所述的SOLO骨干网络中加入有精简FPN结构以增强边 缘端分析能力。 [0010]所述的SOLO骨干网络形成步骤如下： （1） 基于I nception‑V2的基础上去除其网络层5a及以后的网络层； （2） 保留的网络层5a之前的结构中， 对每个卷积层的通道数进行剪枝操作， 剪枝操 作包括两个部分， 第一部分是训练N个网络模型， 把N个模型的所有卷积层中的参数进行加 权， 加权数据根据所有训练样本完成一次训练所得模型的倒数， 将加权后的参数除以总数， 得到完整的网络模型参数； 第二部 分， 对每一层的网络参数进 行由大到小的排序， 当小于某 个阈值P时， 删除该数据， 然后统计每个通道上保留的权重的个数， 得到最终的每个卷积层 上的通道数。说　明　书 1/4 页 3 CN 115526856 A 3