本申请涉及缺陷检测技术领域，尤其涉及一种基于深度学习的缺陷快速初筛方法及系统。
背景技术：
在工业质检应用中，由于对产品缺陷的分级判定取决于缺陷的形态、大小及位置等，因此有必要获取缺陷的完成分割，以进行更精细的判断。完整分割结果的获得是一个计算密集型的任务，需要耗费大量计算资源，且由于当前制造业的良品率相对较高(70％)，缺陷区域相较总的检测区域而言较小(10％以下)，对全部的感兴趣区域进行完整的分割对检测准确性来说是多余的且对检测效率来说有很大的损害。
当前工业质检领域的基于深度学习的分割算法为：将预处理后的小图输入编码网络，其中预处理包括利用传统的算法对图片进行初步的筛选，如利用模板对比的传统算法；编码网络负责提取输入图像中的有用特征并将输入的特征大幅降维，编码完成后将提取的特征输入解码网络，解码网络负责从编码网络提取到的特征中恢复有价值的特征，并将输出恢复到原图大小，最后得到的输出中包含了每个像素是缺陷与否的信息，解码完成进行后处理。
但是在上述的分割算法中，预处理过程中利用传统的算法对图片进行初步的筛选，如利用模板对比的传统算法，由于传统算法需要人工选取参考图片及人工提取图片特征，准确性较低，会出现过筛将原本无缺陷的图片筛选为缺陷图片，以及，漏筛即未筛选出来缺陷图片；另外，对每一张预处理后的小图都需要经过一次完整的编码过程和解码过程，再对解码后得到的特征后处理做进一步的分类，这会严重降低缺陷判定效率。
技术实现要素：
本申请提供了一种基于深度学习的缺陷快速初筛方法及系统，以解决现有分割算法中筛选准确性低且效率低的技术问题。
为了解决上述技术问题，本申请实施例公开了如下技术方案：
第一方面，本申请提供了一种基于深度学习的缺陷快速初筛方法，包括：
对图像进行像素级别的缺陷标注，并将图像及其对应的标注信息作为样本集；
对所述样本集进行预处理，并将预处理后的图片输入到搭建好的编码器中；
所述编码器利用深度卷积神经网络对所述预处理后的图片进行多重卷积、池化实现下采样、relu函数激活及损失函数训练得到深度卷积神经网络学习模型；
将待测图像输入到所述深度卷积神经网络学习模型中，输出每个像素对应的缺陷类别的概率；
当缺陷类别像素的占比介于(0，10％)时，判定为疑似缺陷图像；
将所述疑似缺陷图像输入到搭建好的解码器中完成缺陷的初筛。
可选的，所述对所述样本集进行预处理，包括：
确定所述样本集中的图像的roi区域；
对所述样本集中的图像作进行尺寸归一化；
对经过尺寸归一化的图像进行数据增强；
将经过数据增强后的图像划分为训练集、验证集和测试集。
可选的，所述编码器利用深度卷积神经网络对所述预处理后的图片进行多重卷积、池化实现下采样、relu函数激活及损失函数训练得到深度卷积神经网络学习模型，包括：
输入256*256大小的原图；
所述原图经过多重卷积、池化实现下采样、relu函数激活及损失函数后得到32*32*128的特征图；
所述特征图经过一个卷积步长为1，卷积核大小为1*1的卷积层得到32*32*(c 1)的特征图，其中c为缺陷类别数目。
可选的，所述将待测图像输入到所述深度卷积神经网络学习模型中，输出每个像素对应的被标注为缺陷类别的概率，包括：
将所述特征图中的背景缺陷类别标记为0，第一缺陷类别标记为1，第二缺陷类别标记为2；
分别输出被标记为0，1和2的概率。
可选的，所述当缺陷类别像素的占比大于10％时，判定为疑似缺陷图像，包括：
获取被标记为1和2的总样本的概率；
当所述被标记为1和2的总样本的概率介于(0，10％)时，判定为疑似缺陷图像。
可选的，所述当缺陷类别像素的占比介于(0，10％)时，判定为疑似缺陷图像，还包括：
获取被标记为1和2的总样本的概率；
当所述被标记为1和2的总样本的概率大于10％时，判定为缺陷图像。
当所述被标记为1和2的总样本的概率等于0时，判定为无缺陷图像。
可选的，所述将所述疑似缺陷图像输入到搭建好的解码器中完成缺陷的初筛，包括：
当待测图像判定为缺陷图像或无缺陷图像时，处理结束。
可选的，所述将所述疑似缺陷图像输入到搭建好的解码器中完成缺陷的初筛后，还包括：
对所述疑似缺陷图像的缺陷类别进行第一次划分；
根据所述疑似缺陷图像的缺陷的大小和形态进行第二次划分；
获取所述疑似缺陷图像的检测结果，所述检测结果包括良品和次品。
第二方面，基于上述的基于深度学习的缺陷快速初筛方法，本申请还提供了一种基于深度学习的缺陷快速初筛系统，包括：
样本集获取模块，用于对图像进行像素级别的缺陷标注，并将图像及其对应的标注信息作为样本集；
样本集预处理模块，用于对所述样本集进行预处理，并将预处理后的图片输入到搭建好的编码器中；
深度卷积神经网络学习模型训练模块，用于所述编码器利用深度卷积神经网络对所述预处理后的图片进行多重卷积、池化实现下采样、relu函数激活及损失函数训练得到深度卷积神经网络学习模型；
缺陷类别概率获取模块，用于将待测图像输入到所述深度卷积神经网络学习模型中，输出每个像素对应的缺陷类别的概率；
疑似缺陷图像判定模块，用于当缺陷类别像素的占比介于(0，10％)时，判定为疑似缺陷图像；
输入解码器模块，用于将所述疑似缺陷图像输入到搭建好的解码器中完成缺陷的初筛。
可选的，所述深度卷积神经网络学习模型训练模块包括：
卷积层、池化层、relu函数激活层及损失函数训练层。
与现有技术相比，本申请的有益效果为：
由上述技术方案可见，本申请提供的基于深度学习的缺陷快速初筛方法及系统中，首先将预处理后的图片输入到搭建好的编码器中；然后对所述预处理后的图片进行多重卷积、池化实现下采样、relu函数激活及损失函数训练得到深度卷积神经网络学习模型；将待测图像输入到所述深度卷积神经网络学习模型中，输出每个像素对应的缺陷类别的概率；当缺陷类别像素的占比介于(0，10％)时，判定为疑似缺陷图像；最后将所述疑似缺陷图像输入到搭建好的解码器中完成缺陷的初筛；可以看出本申请中的缺陷初筛方法包括编码、初筛及解码，免去了传统方法中预处理过程中的初筛流程，将图片的筛选完全交给神经网络完成；初筛后可以筛除掉大量的无缺陷图像和置信度较高的缺陷图像，仅将疑似缺陷图像经过解码器后处理，避免了对每一张预处理后的小图都需要经过一次完整的编码过程和解码过程，提高了缺陷判定效率；而且在筛选的过程中由神经网络自动提取特征，输入图片后设计好卷积核的尺寸、数量和滑动的步长就可以实现自动提取图片的特征，从而进行分类，提高了缺陷筛选的准确性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的基于深度学习的缺陷快速初筛方法的流程示意图；
图2为本申请实施例提供的基于深度学习的缺陷快速初筛系统的结构示意图；
图3为本申请实施例提供的基于深度学习的缺陷快速初筛系统的深度卷积神经网络学习模型训练模块的结构示意图；
图4为本申请实施例提供的基于深度学习的缺陷快速初筛系统的应用结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
参见附图1，图1示出了本发明实施例提供的一种基于深度学习的缺陷快速初筛方法的流程示意图。下面结合附图1对本申请实施例提供的基于深度学习的缺陷快速初筛方法进行说明。
如图1所示，本申请提供了一种基于深度学习的缺陷快速初筛方法，包括：
s110：对图像进行像素级别的缺陷标注，并将图像及其对应的标注信息作为样本集。
图像是由像素点组成，对图像进行像素级别的缺陷标注，并将图像及其对应的标注信息作为样本集。
s120：对所述样本集进行预处理，并将预处理后的图片输入到搭建好的编码器中。
对所述样本集进行预处理，包括：
确定所述样本集中的图像的roi区域(感兴趣区域)；
对所述样本集中的图像作进行尺寸归一化；
对经过尺寸归一化的图像进行数据增强；
将经过数据增强后的图像划分为训练集、验证集和测试集。
s130：所述编码器利用深度卷积神经网络对所述预处理后的图片进行多重卷积、池化实现下采样、relu函数激活及损失函数训练得到深度卷积神经网络学习模型。
输入256*256大小的原图；
所述原图经过多重卷积、池化实现下采样、relu函数激活及损失函数后得到32*32*128的特征图；
每一次卷积时选取的卷积核视为特征提取器，不同的卷积核负责提取不同的特征；池化可以减小特征图的尺寸，从而减少参数，达到减小计算量但不损失效果的目的；在每个卷积层之后，立即应用一个激活层，本申请采用relu函数激活，当然也可以采用其他的函数激活，其目的是给系统引入非线性特征，增加模型及整个神经网络的非线性特征，从而不会影响卷积层的感受野；在训练时，我们使用交叉熵损失函数作为损失函数训练编码器，当然也可以选用其他的损失函数，在训练数据集上，输入图像的标签(mask)已知，大小为256*256，其中对应像素位置的数值为0-c，对应缺陷类别，我们将该mask做最近邻插值倒32*32大小，和编码器得到的特征图大小已知，然后通过交叉熵公式计算编码器损失，用随机梯度下降法优化交叉熵损失函数，从而更新编码器的权重。
所述特征图经过一个卷积步长为1，卷积核大小为1*1的卷积层得到32*32*(c 1)的特征图，其中c为缺陷类别数目。
具体过程为：假设输入的原图是256*256的灰度图，则w＝256，h＝256，c＝1，经过卷积后得到128*128*32的特征图；
所述128*128*32的特征图经一个步长为2，池化核大小2*2的池化层后得到64*64*32的特征图；
所述28*128*32的特征图经过一个批量归一化单元和一个relu激活单元得到128*128*32的特征图；
经过一个下采样单元得到的128*128*32的特征图，备份它的结果，
将备份的128*128*32的特征图，经过一个卷积步长为1，卷积核大小为1*1的conv-bn-relu结构单元，得到128*128*32的特征图；
将上述的特征图分解为128*128*16的两个特征图，其中第一个经过一个卷积步长为1，卷积核大小为1*3的卷积层，再经过一个卷积步长为1，卷积核大小为3*1的卷积层，得到128*128*16的特征图；另一个经过一个卷积步长为1，卷积核大小为3*1的卷积层，再经过一个经卷积步长为1，卷积核大小为1*3的卷积层，得到128*128*16的特征图；将两个特征图拼接到一起得到128*128*32的特征图；
所述128*128*32的特征图经过一个bn单元得到128*128*32的特征图；
所述128*128*32的特征图经过一个卷积步长为1，卷积核大小为1*1的卷积层，得到128*128*32的特征图；
上述128*128*32的特征图与之前备份的128*128*32的特征图对应位置相加，得到128*128*32的特征图；
上述从备份开始的一系列基础单元构成一个结构单元，由于这一系列操作分别用到了通道切分(split)，特征图求和(残差模块)，通道混合(shuffle)，我们称之为ss模块，即切分混洗模块；
所述128*128*32的特征图经过两个ss模块后得到128*128*32的特征图，
所述128*128*32的特征图经过一个下采样模块后得到64*64*64的特征图，
所述64*64*64的特征图经过两个ss模块后得到得到64*64*64的特征图，
所述64*64*64的特征图经过一个下采样模块后得到32*32*128的特征图，
所述32*32*128的特征图经过8个ss模块后得到32*32*128的特征图，
这里的连续8个ss模块中的非1*1卷积核都使用了孔洞卷积(dilatedconv)，其附带的dilated参数分别设置为[1，2，5，9，2，5，9，17]；
上述32*32*128的特征图经过一个卷积步长为1，卷积核大小为1*1的卷积层得到32*32*(c 1)的特征图，其中c为缺陷类别数目。
到这里的全部结构统称为编码器，编码器的输出即为32*32*(c 1)的特征图，我们取第三维中数值最大的索引作为该位置对用像素的类别，可以进一步得到32*32*1的特征图。
s140：将待测图像输入到所述深度卷积神经网络学习模型中，输出每个像素对应的缺陷类别的概率。
神经网络的每一层网络有多个神经元，上一层的神经元通过激活函数映射到下一层神经元，每个神经元之间都有对应的权值，输出即为缺陷的分类类别。
图像分割任务对输入图像(假设256*256小图)中的每个像素进行分类，类别可能是背景，划痕，欠损之一，同时获得分类的置信度，置信度是一个元素介于零和一之间的向量，总和为1，比如(0.9，0.08，0.02)，对应第0类(背景)概率为0.9，第一类(划痕)概率0.8，第二类(欠损)概率0.02；具体如下：
将特征图中的背景缺陷类别标记为0，第一缺陷类别标记为1，第二缺陷类别标记为2；
分别输出被标记为0，1和2的概率。
获取被标记为1和2的总样本的概率；
当所述被标记为1和2的总样本的概率介于(0，10％)时，判定为疑似缺陷图像。
当所述被标记为1和2的总样本的概率大于10％时，判定为缺陷图像。
当所述被标记为1和2的总样本的概率等于0时，判定为无缺陷图像。
当待测图像判定为缺陷图像或无缺陷图像时，处理结束。
没有缺陷的图片不必让其再经过解码网络提取特征；而对于确定为缺陷的图片，初筛完成后可以决定是否进一步输入解码网络得到更精细的和原图大小相同的分割结果图像，对于编码网络能对缺陷的类型给出较高的置信度打分的情况下，可以判定缺陷存在，提前完成缺陷的分割判定。
s150：当缺陷类别像素的占比介于(0，10％)时，判定为疑似缺陷图像。
s160：将所述疑似缺陷图像输入到搭建好的解码器中完成缺陷的初筛。
由于编码网络得到的特征图的维度很小且高度可分，因此利用编码器得到的特征进行分类可以高效准确地完成图片中是否存在缺陷的分类，进而没有缺陷的图片不必让其再经过解码网络提取特征；而对于确定为缺陷的图片，初筛完成后可以决定是否进一步输入解码网络得到更精细的和原图大小相同的分割结果图像，对于编码网络能对缺陷的类型给出较高的置信度打分的情况下，可以判定缺陷存在，提前完成缺陷的分割判定，因此经过初筛可以筛除掉大部分的无缺陷图像和直接判定一部分置信度较高的缺陷图像，需要经过解码器后处理的只剩下极少的难以判定的图像。
疑似缺陷的样本会被输入解码器作进一步判断，解码器的输入是编码器得到的中间特征图，大小为32*32*128，记为x，
所述32*32*128的特征图经过一个全局平均池化层得到1*1*128的特征图，
所述1*1*128的特征图经过一个convbnrelu模块得到1*1*3的特征图，
所述1*1*3的特征图经过一个上采样模块得到32*32*3的特征图，该特征图记为b
所述特征图x经过一个convbnrelu模块得到32*32*3的特征图，记为m，
特征图x经过一个卷积步长为2，卷积核大小为7*7的convbnrelu模块，得到16*16*128的特征图，
所述16*16*128的特征图经过一个卷积步长为2，卷积核大小为5*5的convbnrelu模块，得到8*8*1的特征图，记为x2，
所述8*8*1的特征图经过一个卷积步长为2，卷积核大小为3*3的convbnrelu模块，得到4*4*1的特征图，
所述4*4*1的特征图经过一个卷积步长为1，卷积核大小为3*3的convbnrelu模块，得到4*4*1的特征图，
特征图x2经过一个上采样模块得到8*8*128的特征图，记为x3，
特征图x2经过一个卷积步长为1，卷积核大小为5*5的卷convbnrelu模块，得到8*8*1的特征图，
所述8*8*1的特征图与特征图x2相加，得到8*8*1的特征图，
所述8*8*1的特征图经过一个上采样模块，得到16*16*1的特征图，
所述16*16*1的特征图经过一个卷积步长为1，卷积核大小为7*7的convbnrelu模块，得到16*16*1的特征图，
所述16*16*1的特征图经过一个上采样模块，得到32*32*1的特征图，
所述32*32*1的特征图和特征图x相乘，得到32*32*3的特征图，
所述32*32*3的特征图和b相加，得到32*32*3的特征图，
所述32*32*3的特征图经过一个上采样模块得到256*256*3的特征图，
解码器得到的输出为256*256*3的图像，和原图大小一致，解码器训练方法和编码器类似，但解码器mask不用进行插值即可直接参与损失计算，训练时，编码器和解码器分开训练，使用时，二者分开使用。也可以联合训练编码器和解码器，联合使用编解码器，但初筛过程主要使用编码器以减少计算量。
由上述技术方案可以看出本申请中的缺陷初筛方法包括编码、初筛及解码，免去了传统方法中预处理过程中的初筛流程，将图片的筛选完全交给神经网络完成；初筛后可以筛除掉大量的无缺陷图像和置信度较高的缺陷图像，仅将疑似缺陷图像经过解码器后处理，避免了对每一张预处理后的小图都需要经过一次完整的编码过程和解码过程，提高了缺陷判定效率；而且在筛选的过程中由神经网络自动提取特征，输入图片后设计好卷积核的尺寸、数量和滑动的步长就可以实现自动提取图片的特征，从而进行分类，提高了缺陷筛选的准确性。
可选的，所述将所述疑似缺陷图像输入到搭建好的解码器中完成缺陷的初筛后，还包括：
对所述疑似缺陷图像的缺陷类别进行第一次划分；
根据所述疑似缺陷图像的缺陷的大小和形态进行第二次划分；
获取所述疑似缺陷图像的检测结果，所述检测结果包括良品和次品。
具体包括：图像分割任务对输入图像(假设256*256小图)中的每个像素进行分类，类别可能是背景，划痕，欠损之一，同时获得分类的置信度，置信度是一个元素介于零和一之间的向量，总和为1，比如(0.9，0.08，0.02)，对应第0类(背景)概率为0.9，第一类(划痕)概率0.8，第二类(欠损)概率0.02。
获取上述向量信息后，我们就可以将整张输入小图划分为无缺陷，有划痕，有欠损几类或者其组合。
拼接则是在有的小图中的缺陷偏小的情况下，考察其邻近图像，判断两图中的缺陷是否融合并构成更大并超出阈值的缺陷。
分级是根据缺陷的大小和形态对缺陷再进行细分，判定逻辑需要这样的参数。
分类是综合所有小图结果，判断当前检测对象是良品还是次品。
参见附图2和图4，图2示出了本发明实施例提供的一种基于深度学习的缺陷快速初筛系统的结构示意图，图4为本申请实施例提供的基于深度学习的缺陷快速初筛系统的应用结构示意图。下面结合附图2和图4对本申请实施例提供的基于深度学习的缺陷快速初筛系统进行说明。
基于上述的基于深度学习的缺陷快速初筛方法，本申请还提供了一种基于深度学习的缺陷快速初筛系统，如图2所示，包括：
样本集获取模块，用于对图像进行像素级别的缺陷标注，并将图像及其对应的标注信息作为样本集；
样本集预处理模块，用于对所述样本集进行预处理，并将预处理后的图片输入到搭建好的编码器中；
深度卷积神经网络学习模型训练模块，用于所述编码器利用深度卷积神经网络对所述预处理后的图片进行多重卷积、池化实现下采样、relu函数激活及损失函数训练得到深度卷积神经网络学习模型；
缺陷类别概率获取模块，用于将待测图像输入到所述深度卷积神经网络学习模型中，输出每个像素对应的缺陷类别的概率；
疑似缺陷图像判定模块，用于当缺陷类别像素的占比介于(0，10％)时，判定为疑似缺陷图像；
输入解码器模块，用于将所述疑似缺陷图像输入到搭建好的解码器中完成缺陷的初筛。
如图3所示，所述深度卷积神经网络学习模型训练模块包括：
卷积层、池化层、relu函数激活层及损失函数训练层。
由于以上实施方式均是在其他方式之上引用结合进行说明，不同实施例之间均具有相同的部分，本说明书中各个实施例之间相同、相似的部分互相参见即可。在此不再详细阐述。
本领域技术人员在考虑说明书及实践这里发明的公开后，将容易想到本申请的其他实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由权利要求的内容指出。
以上所述的本申请实施方式并不构成对本申请保护范围的限定。
1.一种基于深度学习的缺陷快速初筛方法，其特征在于，包括：
对图像进行像素级别的缺陷标注，并将图像及其对应的标注信息作为样本集；
对所述样本集进行预处理，并将预处理后的图片输入到搭建好的编码器中；
所述编码器利用深度卷积神经网络对所述预处理后的图片进行多重卷积、池化实现下采样、relu函数激活及损失函数训练得到深度卷积神经网络学习模型；
将待测图像输入到所述深度卷积神经网络学习模型中，输出每个像素对应的缺陷类别的概率；
当缺陷类别像素的占比介于(0，10％)时，判定为疑似缺陷图像；
将所述疑似缺陷图像输入到搭建好的解码器中完成缺陷的初筛。
2.根据权利要求1所述的基于深度学习的缺陷快速初筛方法，其特征在于，所述对所述样本集进行预处理，包括：
确定所述样本集中的图像的roi区域；
对所述样本集中的图像作进行尺寸归一化；
对经过尺寸归一化的图像进行数据增强；
将经过数据增强后的图像划分为训练集、验证集和测试集。
3.根据权利要求1所述的基于深度学习的缺陷快速初筛方法，其特征在于，所述编码器利用深度卷积神经网络对所述预处理后的图片进行多重卷积、池化实现下采样、relu函数激活及损失函数训练得到深度卷积神经网络学习模型，包括：
输入256*256大小的原图；
所述原图经过多重卷积、池化实现下采样、relu函数激活及损失函数后得到32*32*128的特征图；
所述特征图经过一个卷积步长为1，卷积核大小为1*1的卷积层得到32*32*(c 1)的特征图，其中c为缺陷类别数目。
4.根据权利要求1所述的基于深度学习的缺陷快速初筛方法，其特征在于，所述将待测图像输入到所述深度卷积神经网络学习模型中，输出每个像素对应的被标注为缺陷类别的概率，包括：
将所述特征图中的背景缺陷类别标记为0，第一缺陷类别标记为1，第二缺陷类别标记为2；
分别输出被标记为0，1和2的概率。
5.根据权利要求1所述的基于深度学习的缺陷快速初筛方法，其特征在于，所述当缺陷类别像素的占比大于10％时，判定为疑似缺陷图像，包括：
获取被标记为1和2的总样本的概率；
当所述被标记为1和2的总样本的概率介于(0，10％)时，判定为疑似缺陷图像。
6.根据权利要求1所述的基于深度学习的缺陷快速初筛方法，其特征在于，所述当缺陷类别像素的占比介于(0，10％)时，判定为疑似缺陷图像，还包括：
获取被标记为1和2的总样本的概率；
当所述被标记为1和2的总样本的概率大于10％时，判定为缺陷图像；
当所述被标记为1和2的总样本的概率等于0时，判定为无缺陷图像。
7.根据权利要求1所述的基于深度学习的缺陷快速初筛方法，其特征在于，所述将所述疑似缺陷图像输入到搭建好的解码器中完成缺陷的初筛，包括：
当待测图像判定为缺陷图像或无缺陷图像时，处理结束。
8.根据权利要求1所述的基于深度学习的缺陷快速初筛方法，其特征在于，所述将所述疑似缺陷图像输入到搭建好的解码器中完成缺陷的初筛后，还包括：
对所述疑似缺陷图像的缺陷类别进行第一次划分；
根据所述疑似缺陷图像的缺陷的大小和形态进行第二次划分；
获取所述疑似缺陷图像的检测结果，所述检测结果包括良品和次品。
9.一种基于深度学习的缺陷快速初筛系统，其特征在于，包括：
样本集获取模块，用于对图像进行像素级别的缺陷标注，并将图像及其对应的标注信息作为样本集；
样本集预处理模块，用于对所述样本集进行预处理，并将预处理后的图片输入到搭建好的编码器中；
深度卷积神经网络学习模型训练模块，用于所述编码器利用深度卷积神经网络对所述预处理后的图片进行多重卷积、池化实现下采样、relu函数激活及损失函数训练得到深度卷积神经网络学习模型；
缺陷类别概率获取模块，用于将待测图像输入到所述深度卷积神经网络学习模型中，输出每个像素对应的缺陷类别的概率；
疑似缺陷图像判定模块，用于当缺陷类别像素的占比介于(0，10％)时，判定为疑似缺陷图像；
输入解码器模块，用于将所述疑似缺陷图像输入到搭建好的解码器中完成缺陷的初筛。
10.根据权利要求9所述的基于深度学习的缺陷快速初筛系统，其特征在于，所述深度卷积神经网络学习模型训练模块包括：
卷积层、池化层、relu函数激活层及损失函数训练层。
技术总结