結合圖1和圖6所示，本發明的步驟s2包括：s21、利用層拍相機沿z軸方向對鏡頭內部進行層拍獲得多張圖片，并按照順序等分為多組；s22、對每一組圖片進行缺陷分割和識別，將符合缺陷標準的所有缺陷放入到缺陷容器中；s23、在缺陷容器中，通過比較缺陷中心距離偏差值將同一位置處的缺陷篩選出來；軟件團隊于業界有近15年的豐富視覺檢測軟件編寫、設計等經驗，自給自足。

由于CNN強大的特征提取能力，采用基于CNN的分類網絡目前已成為表面缺陷分類中的模式一般來說,現

有表面缺陷分類的網絡常常采用計算機視覺中現成的網絡結構,包括AlexNet, VGG, GoogL eNet,ResNet,

SENet, ShuteNet,MobileNet等。利用分類網絡結合上滑動窗口的方式可以實現缺陷的定位。

Deep learning-based crack damage detection using convolutional neural networks

一、成本低。機器視覺檢測系統大大降低了廠的成本。

二、準確率高。通過機器視覺檢測設備,可以每周7天,每天24小時不間斷地生產高質量的產品,避免出現產品召回,產品責任索賠和圖像損

壞等。.

三、安全性高。安全生產,產品可靠,機器視覺保證了生產過程中以及終產品的安全性。