(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 202211021133.8 (22)申请日 2022.08.24 (71)申请人 广州先进技 术研究所 地址 511458 广东省广州市南沙区海 滨路 1121号A8栋 (72)发明人 张金越　王昕彤　黄祖成　杨根　 江旭耀　钟名锋　王卫军　 (74)专利代理 机构 广州容大知识产权代理事务 所(普通合伙) 44326 专利代理师 杨艳 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/13(2017.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于深度学习的电子纸表面缺陷检测 方法及系统 (57)摘要 本发明属于电子纸表 面缺陷检测技术领域， 具体涉及一种基于深度学习的电子纸表面缺陷 检测方法、 系统、 平台及存储介质。 本发 明通过方 法实时获取电子纸非显著性缺陷图像数据集， 并 根据所述数据集构建网络结构； 结合设定的参数 数据， 生成与所述数据集相应的模型； 对所述模 型实时训练， 并实时保存完成训练的模型； 根据 所述完成训练的模型， 实时生 成电子纸非显著性 缺陷检测数据， 以及与方法相应的系统、 平台， 存 储介质。 可以实现在有限数据的情况下尽可能地 提高模型的检测精度。 权利要求书2页 说明书12页 附图11页 CN 115471459 A 2022.12.13 CN 115471459 A 1.一种基于深度学习的电子纸表面缺陷检测方法， 其特征在于所述方法具体包括如下 步骤： 实时获取电子纸非显著性 缺陷图像数据集， 并根据所述数据集构建网络结构； 结合设定的参数 数据， 生成与所述数据集相应的模型； 对所述模型实时训练， 并实时保存完成训练的模型； 根据所述完成训练的模型， 实时生成电子纸非显著性 缺陷检测数据。 2.根据权利要求1所述的一种基于深度学习的电子纸表面缺陷检测方法， 其特征在于 所述结合设定的参数 数据， 生成与所述数据集相应的模型， 还 包括如下步骤： 选择相应的损失函数， 结合设定的参数 数据， 完成模型构建。 3.根据权利要求1或2所述的一种基于深度 学习的电子纸表面缺陷检测方法， 其特征在 于所述结合设定的参数 数据， 生成与所述数据集相应的模型， 还 包括如下步骤： 对数据集中的数据实时数据增强处 理； 根据遗传学习自适应的计算 生成相应的锚框值， 并实时对图片进行自适应缩放处 理。 4.根据权利要求3所述的一种基于深度学习的电子纸表面缺陷检测方法， 其特征在于 所述根据遗传学习自适应的计算 生成相应的锚框值， 还 包括如下步骤： 根据预设尺寸的锚框将目标框住， 并与真实框进行比对； 实时调整预设尺寸锚框和真实框之间的差距， 并更新锚框相应的网络参数 数据。 5.根据权利要求1所述的一种基于深度学习的电子纸表面缺陷检测方法， 其特征在于 所述对所述模型实时训练， 并实时保存完成训练的模型， 还 包括如下步骤： 根据评价指标的变化， 实时对所述模型进行内部优化。 6.根据权利要求1所述的一种基于深度学习的电子纸表面缺陷检测方法， 其特征在于 所述根据所述完成训练的模型， 实时生成电子纸非显著性 缺陷检测数据， 还 包括如下步骤： 获取待检测的电子纸非显著性 缺陷图片； 根据完成训练的模型判定并生成电子纸非显著性 缺陷检测数据。 7.一种基于深度学习的电子纸表面 缺陷检测系统， 其特 征在于所述系统具体包括： 用于实时获取电子纸非显著性缺陷 图像数据集， 并根据 所述数据集构建网络结构的获 取构建单元； 用于结合设定的参数数据， 生成与所述数据集相应的模 型的第一生成单元； 用 于对所述模型实时训练， 并实时保存完成训练模型 的模型保存单元； 以及用于根据所述完 成训练的模型， 实时生成电子纸非显著性 缺陷检测数据的第二 生成单元。 8.根据权利要求7所述的一种基于深度学习的电子纸表面缺陷检测系统， 其特征在于 所述第一 生成单元中， 还设置有： 用于选择相应的损失函数， 结合设定的参数 数据， 完成模型构建的模型构建模块； 用于对数据集中的数据实时数据增强处 理的第一处 理模块； 用于根据遗传学习自适应的计算生成相应的锚框值， 并实时对图片进行自适应缩放处 理的第二处 理模块； 所述第二处 理模块中， 还设置有： 用于根据预设尺寸的锚框将目标框住， 并与真实框进行比对的比对 模块； 用于实时调 整预设尺寸锚框和真实框之间的差距， 并更新锚框相应的网络参数数据的 数据更新模块；权　利　要　求　书 1/2 页 2 CN 115471459 A 2所述模型保存单 元中， 还设置有： 用于根据评价指标的变化， 实时对所述模型进行内部优化的模型优化模块； 所述第二 生成单元中， 还设置有： 用于获取待检测的电子纸非显著性 缺陷图片的第一获取模块； 用于根据完成训练的模型判定并生成电子纸非显著性 缺陷检测数据的第一 生成模块。 9.一种基于深度学习的电子纸表面缺陷检测平台， 其特征在于， 包括： 处理器、 存储器 以及基于深度学习的电子纸表面 缺陷检测平台控制程序； 其中在所述的处理器执行所述的基于深度 学习的电子纸表面缺陷检测平台控制程序， 所述的基于深度学习的电子纸表面缺陷检测平台控制程序被存储在所述存储器中， 所述的 基于深度学习的电子纸表面缺陷检测平台控制程序， 实现如权利要求 1至6中任一项 所述的 基于深度学习的电子纸表面 缺陷检测方法。 10.一种计算机可读取存储介质， 其特征在于所述计算机可读取存储介质存储有基于 深度学习的电子纸表面缺陷检测平台控制程序， 所述的基于深度学习的电子纸表面缺陷检 测平台控制程序， 实现如权利要求 1至6中任一项 所述的基于深度学习的电子纸表面缺陷检 测方法。权　利　要　求　书 2/2 页 3 CN 115471459 A 3