CN104850858A - 一种注塑制品缺陷检测识别方法 - Google Patents

Abstract

本发明公开了一种注塑制品缺陷检测识别方法，包括以下步骤：1)采集正常和存在已知缺陷的注塑制品的图像，对图像进行分类并生成样本；2)构建多层卷积神经网络模型；3)使用步骤1)中的样本对步骤2)中构建的卷积神经网络模型进行训练；4)将采集的实测注塑制品的图像经过预处理后输入步骤3)中已训练完成的卷积神经网络模型，卷积神经网络模型对实测注塑制品的图像进行分类识别，以判断注塑制品是否存在注塑缺陷，若存在缺陷则对缺陷类别进行识别。本发明构建的卷积神经网络模型对各种注塑缺陷均采用相同的特征选择、提取方式，适应性较强，可适用于注塑制品各种类型缺陷的检测与识别。

Description

一种注塑制品缺陷检测识别方法

技术领域

本发明属于缺陷检测识别技术领域，更具体地，涉及一种注塑制品缺陷检测识别方法。

背景技术

在注塑成型过程中，由于原料物性参数变化、工艺参数不合理及注塑机性能不足等因素，注塑制品会出现短射、飞边、裂纹、翘曲、气泡、熔接纹等缺陷。这些缺陷不仅影响注塑制品的外观，且严重影响其使用性能。然而当前注塑制品缺陷检测识别大多依靠人工离线抽样检测、自动化程度不高、检测效率低下，且容易受到检测人员主观意志的影响，准确率不高。

现有技术中已经提出了少量的注塑制品缺陷检测识别方法，例如，吴盛金在分割出缺陷区域的基础上，提取了3维形状特征及4维Hu不变矩，运用BP(Back Propagation)神经网络对手机外壳中的缺陷进行分类，准确率为84.44％(参见“注塑制品表面缺陷分析及自动识别研究”，2011，华南理工大学，硕士论文)。孙天瑜对短射、飞边、银纹、波流痕四种注塑缺陷进行研究，提取缺陷区域的形状和纹理特征，采用支持向量机(Support VectorMachine，SVM)进行分类识别(参见“基于机器视觉的注塑制品缺陷检测系统研究”，2008，东北大学，硕士论文)。上述方法均需要对缺陷特征进行分析以选择合适的、区分度高的特征并进行特征提取，紧接着根据提取的特征通过BP神经网络或支持向量机进行分类，最后在输出端给出分类结果。上述方法均依赖于缺陷特征的人工选取和描述。然而缺陷特征的准确选取和有效描述比较困难，要选择区分度高的特征需要很好的先验知识；而且必须对不同的注塑缺陷选择不同的特征，方法的适应性比较差。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种注塑制品缺陷检测识别方法，其基于卷积神经网络模型自动进行特征选择、提取和学习，不需要以人工方式选择、提取特征，适应性较强，可适用于注塑制品各种类型缺陷的检测与识别。

为实现上述目的，按照本发明的一个方面，提供了一种注塑制品缺陷检测识别方法，其特征在于：包括以下步骤：

1)采集正常和存在已知缺陷的注塑制品的图像，对图像进行分类并生成样本；

2)构建多层卷积神经网络模型，所述卷积神经网络模型能提取注塑制品图像的特征；

3)使用步骤1)中的样本对步骤2)中构建的多层卷积神经网络模型进行训练；

4)将采集的实测注塑制品的图像经过图像灰度化、图像缩放和图像归一化的预处理后输入步骤3)中已训练完成的卷积神经网络模型，卷积神经网络模型对实测注塑制品的图像进行分类识别，以判断注塑制品是否存在注塑缺陷，若存在缺陷则对缺陷类别进行识别。

优选地，所述步骤1)具体包括以下操作：

1.1)采集正常及存在已知缺陷类型的注塑制品的图像；其中，在采集的存在缺陷的注塑制品中，每个注塑制品上只含有一种类型的缺陷；记采集的所有正常注塑制品图像组成集合C₀，所有存在类别j的缺陷的注塑制品图像组成集合C_j，其中1≤j≤N，N为注塑缺陷类别总数；判断所有采集的图像中是否有彩色图像，如果是，则转入步骤1.2)，如果否，则转入步骤1.3)；

1.2)将所有注塑制品图像中的彩色图像转换为灰度图像；

1.3)将得到的所有注塑制品的灰度图像缩放至为W×H像素大小，其中W和H均为整数且W≥28，H≥28；

1.4)本步骤包括以下子步骤：

1.4.1)设图像集合C₀,C₁…C_j…C_N中每个图像集合的最小图像数量限制为N_min，其中N_min为整数且N_min≥1000，设置图像集合的类别编号t＝0；

1.4.2)判断t≤N是否成立，若是，则进入步骤1.4.3)，若否，则进入步骤1.5)；

1.4.3)判断图像集合C_t中所含的图像数量N_t＜N_min是否成立，若是，则进入步骤1.4.4)，若否，则进入步骤1.4.5)；

1.4.4)对C_t中所有图像进行N_um次旋转，其中N_um为向上取整的运算结果，旋转角度为区间[1,180°]的随机整数角度；

1.4.5)设置t＝t+1，返回步骤1.4.2)；

1.5)将图像集合C₀,C₁…C_j…C_N中每幅图像的像素灰度值除以最大灰度值255，归一化到[0,1]区间；

1.6)将归一化后的每幅图像中的二维灰度值矩阵分别按行展开，每幅图像得到一个一维行向量其中i＝1,2,3,......n，n为图像集合C₀,C₁…C_j…C_N中所有图像数目的总和，s为行向量的元素个数，s＝W×H；则对于任一幅图像，其对应的行向量为Xⁱ，其属于图像集合C_k，其中0≤k≤N，定义其类别标签向量Yⁱ＝(0,0,0,……1,0,0,0,……0)，其中1之前的0的数量为k个，1之后的0的数量为N-k个；

1.7)将每幅图像的一维行向量Xⁱ和类别标签向量Yⁱ组合，得到样本(Xⁱ，Yⁱ)。

优选地，所述步骤2)中构建的多层卷积神经网络模型包含2个卷积层以及相同数目下采样层，其具体结构如下：

2.1)卷积神经网络模型包括依次连接的第一卷积层、第一下采样层、第二卷积层、第二下采样层及全连接层；

2.2)第一卷积层使用N_c1个k_c1×k_c1大小的卷积核，对像素大小为W×H的输入图像进行卷积以提取特征，得到该层的N_c1个特征图；第一下采样层对第一卷积层的每个特征图进行3×3下采样得到该层的N_c1个特征图；

2.3)第二卷积层使用N_c2个k_c2×k_c2大小的卷积核对第一下采样层的每个特征图进行卷积以提取特征，得到该层的N_c2个特征图，其中N_c2＝2N_c1；

2.4)全连接层的输入为将第二下采样层的所有特征图全部展开而形成的一维行向量，全连接层的输出为1×(N+1)的一维行向量。

优选地，所述步骤2)中构建的多层卷积神经网络模型包含3个卷积层以及相同数目下采样层，其具体结构如下：

2.1)卷积神经网络模型包括依次连接的第一卷积层、第一下采样层、第二卷积层、第二下采样层、第三卷积层、第三下采样层及全连接层；

2.2)第一卷积层使用N_c1个k_c1×k_c1大小的卷积核，对W×H像素大小的输入图像进行卷积以提取特征，得到该层的N_c1个特征图；第一下采样层对第一卷积层的每个特征图进行3×3下采样得到该层的N_c1个特征图；

2.3)第二卷积层使用N_c2个k_c2×k_c2大小的卷积核对第一下采样层的每个特征图进行卷积以提取特征，得到该层的N_c2个特征图，其中N_c2＝2N_c1；第二下采样层对第二卷积层的每个特征图进行2×2下采样得到该层的N_c2个特征图；

2.4)第三卷积层使用N_c3个k_c3×k_c3大小的卷积核对第二下采样层的每个特征图进行卷积以提取特征，得到该层的N_c3个特征图，其中N_c3＝2N_c2；第三下采样层对第三卷积层的每个特征图进行2×2下采样得到该层的N_c3特征图；

2.5)全连接层的输入为将第三下采样层的所有特征图全部展开而形成的一维行向量，全连接层的输出为1×(N+1)的一维行向量。

优选地，所述步骤3)包括：

3.1)将构建好的卷积神经网络模型中各层的权值参数和卷积核中元素值初始化为[-v,v]区间中的随机数，而将偏置参数均初始化为零，其中v为0到1之间的有限小数；

3.2)设定卷积神经网络模型的迭代次数Epoch，对卷积神经网络模型进行迭代训练，其中Epoch为整数且Epoch≥10；每次迭代中，每个样本通过卷积神经网络模型得到输出后便调整一次卷积神经网络模型各层的权值参数、卷积核中元素值及偏置参数；当卷积神经网络模型完成Epoch次迭代后停止迭代，卷积神经网络模型训练完成。

优选地，所述步骤4)包括：

4.1)将采集的实测注塑制品的图像转换为灰度图像；

4.2)将步骤4.1)中得到的注塑制品灰度图像缩放至W×H像素大小，W和H均为整数且W≥28，H≥28；

4.3)将缩放后的实测注塑制品的图像中的像素灰度值归一化到[0,1]区间；

4.4)将归一化后的实测注塑制品图像的灰度值矩阵输入步骤3)中训练完成得到的卷积神经网络模型，根据卷积神经网络模型的输出判断实测注塑制品是否存在缺陷，若存在缺陷则对缺陷类别进行识别。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

(1)本发明采用基于卷积神经网络模型自动进行特征选择、提取和学习，不需要以人工方式选择、提取特征，克服了传统缺陷检测识别方法需要很好的先验知识、必须手动选择、提取区分度较高的缺陷特征的难点；

(2)与传统方法必须针对性地对各种注塑缺陷提取不同的特征所不同的是，本发明构建的卷积神经网络模型对各种注塑缺陷均采用相同的特征选择、提取方式，适应性较强，可适用于注塑制品各种类型缺陷的检测与识别。

附图说明

图1是本发明的注塑制品缺陷检测方法整体流程图；

图2是本发明实施例的部分样本图像；

图3是本发明实施例构建的卷积神经网络模型。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

一种注塑制品缺陷检测识别方法，包括以下步骤：

1)分别采集正常和存在缺陷的注塑制品的图像，对图像进行分类并生成样本；所述步骤1)包括：

1.1)采集正常及存在已知缺陷类型的注塑制品的图像；其中，在采集的存在缺陷的注塑制品中，每个注塑制品上只含有一种类型的缺陷；记采集的所有正常注塑制品图像组成集合C₀，所有存在类别j的缺陷的注塑制品图像组成集合C_j，其中1≤j≤N，N为注塑缺陷类别总数；判断所有采集的图像中是否有彩色图像，如果是，则转入步骤1.2)，如果否，则转入步骤1.3)；

1.2)将所有注塑制品图像中的彩色图像转换为灰度图像；

1.3)将得到的所有注塑制品的灰度图像缩放至为W×H像素大小，其中W和H均为整数且W≥28，H≥28；

1.4)本步骤包括以下子步骤：

1.4.1)设图像集合C₀,C₁…C_j…C_N中每个图像集合的最小图像数量限制为N_min，其中N_min为整数且N_min≥1000，设置图像集合的类别编号t＝0；

1.4.2)判断t≤N是否成立，若是，则进入步骤1.4.3)，若否，则进入步骤1.5)；

1.4.3)判断图像集合C_t中所含的图像数量N_t＜N_min是否成立，若是，则进入步骤1.4.4)，若否，则进入步骤1.4.5)；

1.4.4)对C_t中所有图像进行N_um次旋转，其中N_um为向上取整的运算结果，旋转角度为区间[1,180°]的随机整数角度；

1.4.5)设置t＝t+1，返回步骤1.4.2)；

1.5)将图像集合C₀,C₁…C_j…C_N中每幅图像的像素灰度值除以最大灰度值255，归一化到[0,1]区间；

1.6)将归一化后的每幅图像中的二维灰度值矩阵分别按行展开，每幅图像得到一个一维行向量其中i＝1,2,3,......n，n为图像集合C₀,C₁…C_j…C_N中所有图像数目的总和，s为行向量的元素个数，s＝W×H；则对于任一幅图像，其对应的行向量为Xⁱ，其属于图像集合C_k，其中0≤k≤N，定义其类别标签向量Yⁱ＝(0,0,0,……1,0,0,0,……0)，其中1之前的0的数量为k个，1之后的0的数量为N-k个；

1.7)将每幅图像的一维行向量Xⁱ和类别标签向量Yⁱ组合，得到样本(Xⁱ，Yⁱ)。

2)构建多层卷积神经网络模型，所述卷积神经网络模型能提取注塑制品图像的特征；

作为一种优选，所述步骤2)中如果构建包含2个卷积层以及相同数目下采样层的卷积神经网络模型，则模型具体结构如下：

2.1)卷积神经网络模型包括依次连接的第一卷积层、第一下采样层、第二卷积层、第二下采样层及全连接层；

2.2)第一卷积层使用N_c1个k_c1×k_c1大小的卷积核，对像素大小为W×H的输入图像进行卷积以提取特征，得到该层的N_c1个特征图；第一下采样层对第一卷积层的每个特征图进行3×3下采样得到该层的N_c1个特征图；

2.3)第二卷积层使用N_c2个k_c2×k_c2大小的卷积核对第一下采样层的每个特征图进行卷积以提取特征，得到该层的N_c2个特征图，其中N_c2＝2N_c1；

2.4)全连接层的输入为将第二下采样层的所有特征图全部展开而形成的一维行向量，全连接层的输出为1×(N+1)的一维行向量。

作为另一种优选，所述步骤2)中如果构建包含3个卷积层以及相同数目下采样层的卷积神经网络模型，则模型具体结构如下：

2.1)卷积神经网络模型包括依次连接的第一卷积层、第一下采样层、第二卷积层、第二下采样层、第三卷积层、第三下采样层及全连接层；

2.2)第一卷积层使用N_c1个k_c1×k_c1大小的卷积核，对W×H像素大小的输入图像进行卷积以提取特征，得到该层的N_c1个特征图；第一下采样层对第一卷积层的每个特征图进行3×3下采样得到该层的N_c1个特征图；

2.3)第二卷积层使用N_c2个k_c2×k_c2大小的卷积核对第一下采样层的每个特征图进行卷积以提取特征，得到该层的N_c2个特征图，其中N_c2＝2N_c1；第二下采样层对第二卷积层的每个特征图进行2×2下采样得到该层的N_c2个特征图；

2.4)第三卷积层使用N_c3个k_c3×k_c3大小的卷积核对第二下采样层的每个特征图进行卷积以提取特征，得到该层的N_c3个特征图，其中N_c3＝2N_c2；第三下采样层对第三卷积层的每个特征图进行2×2下采样得到该层的N_c3特征图；

2.5)全连接层的输入为将第三下采样层的所有特征图全部展开而形成的一维行向量，全连接层的输出为1×(N+1)的一维行向量；

3)使用步骤1)中的样本对步骤2)中构建的卷积神经网络模型进行训练；对卷积神经网络模型进行训练的现有方法有很多，本发明优选步骤3)的训练方法包括：

3.1)将构建好的卷积神经网络模型中各层的权值参数和卷积核中元素值初始化为[-v,v]区间中的随机数，而将偏置参数均初始化为零，其中v为0到1之间的有限小数；

3.2)设定卷积神经网络模型的迭代次数Epoch，对卷积神经网络模型进行迭代训练，其中Epoch为整数且Epoch≥10；每次迭代中，每个样本通过卷积神经网络模型得到输出后便调整一次卷积神经网络模型各层的权值参数、卷积核中元素值及偏置参数；当卷积神经网络模型完成Epoch次迭代后停止迭代，卷积神经网络模型训练完成。

4)将采集的实测注塑制品的图像经过图像灰度化、图像缩放和图像归一化的预处理后输入步骤3)中已训练完成的卷积神经网络模型，卷积神经网络模型对实测注塑制品的图像进行分类识别，以判断注塑制品是否存在注塑缺陷，若存在缺陷则对缺陷类别进行识别。优选地，所述步骤4)包括：

4.1)将采集的实测注塑制品的图像转换为灰度图像；

4.2)将步骤4.1)中得到的注塑制品灰度图像缩放至W×H像素大小，W和H均为整数且W≥28，H≥28；

4.3)将缩放后的实测注塑制品的图像中的像素灰度值归一化到[0,1]区间；

4.4)将归一化后的实测注塑制品图像的灰度值矩阵输入步骤3)中训练完成得到的卷积神经网络模型，根据卷积神经网络模型的输出判断实测注塑制品是否存在缺陷，若存在缺陷则对缺陷类别进行识别。

下面结合具体的数值详述本发明的识别方法，方法的整体流程如图1所示，包括以下步骤：

1)对短射、熔接纹注塑缺陷进行检测和识别，分别采集正常、存在短射缺陷、存在熔接纹缺陷的注塑制品图像并生成训练样本，具体步骤为：

1.1)准备1000幅正常注塑制品图像组成图像集合C₀、1500幅有短射缺陷的制品图像组成图像集合C₁、900幅有熔接纹缺陷的制品图像组成图像集合C₂，部分样本图像如图2所示，缺陷类别总数N＝2；判断是否有彩色图像，如果是，则进入步骤1.2)，如果否，则进入1.3)；

1.2)将所有的彩色注塑制品图像转换为灰度图像；

1.3)将所有注塑制品图像缩放至172×172大小，本实施例缩放选择采用双线性插值算法；

1.4)本实施例最小图像数量限制N_min设定为1000，因为图像集合C₂中包含900张有短射缺陷的图像，小于N_min，因此对C₂中的所有图像进行次旋转，每幅图像每次旋转的角度为1到180°之间的随机整数角度，得到1800张有短射缺陷的图像，即C₁中图像数量变为1800，所述表示向上取整运算符；

1.5)将所有图像中的像素灰度值除以最大灰度值255，以归一化到[0,1]区间；

1.6)将每幅归一化后的图像的二维灰度值矩阵按行展开，得到一维行向量(i＝1,2,3,......n)，其中n表示所有图像集合的图像的总和，等于4300，s为行向量的元素个数，为172×172＝29584。对于任意一幅图像Xⁱ，如果其属于C₀，则其类别标签向量Yⁱ为[100]；如果其属于C₁，则其类别标签向量Yⁱ为[010]；如果其属于C₂，则其类别标签向量Yⁱ为[001]；将每幅图像展开得到的一维行向量Xⁱ和类别标签向量Yⁱ组合，得到一个样本(Xⁱ，Yⁱ)；

2)构建一种能自动提取缺陷特征的，含有2或3个卷积层和同样数量下采样层的多层卷积神经网络模型；由于样本图像缩放到172×172，尺寸较大，采用3个卷积层和下采样层，卷积神经网络模型结构如图3所示，具体如下：

卷积神经网络模型包括依次连接的第一卷积层、第一下采样层、第二卷积层、第二下采样层、第三卷积层、第三下采样层及全连接层；

第一卷积层使用3个5×5大小的卷积核，对大小为172×172的输入图像进行卷积运算以提取特征，得到该层的3个168×168特征图；第一下采样层对第一卷积层中每个特征图的3×3邻域取平均值以进行下采样，得到3个56×56大小的特征图；

第二卷积层使用6个5×5大小的卷积核对第一下采样层的每个特征图进行卷积运算以提取特征，得到该层的6个52×52特征图；第二下采样层对第二卷积层中每个特征图的2×2邻域取平均值以进行下采样，得到6个26×26大小的特征图；

第三卷积层使用12个5×5大小的卷积核对第二下采样层的每个特征图进行卷积运算以提取特征，得到该层的12个22×22大小的特征图；第三下采样层对第三卷积层中每个特征图的2×2邻域取平均值以进行下采样，得到12个11×11大小的特征图；

全连接层的输入为将第三下采样层的所有特征图全部展开而形成的1×121行向量；全连接层的输出为类别标签向量，输出个数为3；

3)使用步骤1)中的样本对步骤2)中构建的卷积神经网络模型进行训练，包括：

3.1)将构建好的卷积神经网络模型中各层的权值参数和卷积核中元素值初始化为[-0.04,0.04]区间中的随机有限小数，而将偏置参数均初始化为零；

3.2)设定卷积神经网络模型的迭代次数Epoch为200，对卷积神经网络模型进行迭代训练。每次迭代中，随机将每20个样本编为1组，每组样本通过卷积神经网络模型得到类别输出后，便根据卷积神经网络模型训练算法调整一次网络各层的权值参数、卷积核中元素值及偏置参数，卷积神经网络模型训练算法为现有技术，此处不再详述。当卷积神经网络模型完成200次迭代后停止迭代，网络训练完成；

4)将实测注塑制品图像经过简单处理后输入已训练完成的卷积神经网络模型，卷积神经网络模型自动地提取图像的特征，并根据提取的特征进行分类识别，以判断制品是否存在缺陷及对缺陷类别进行识别，包括：

4.1)将实测注塑制品图像转换为灰度图像；

4.2)使用双线性差值算法将灰度图像缩放至172×172大小；

4.3)将缩放后的实测图像中的像素灰度值除以最大灰度值255以归一化到[0,1]区间；

4.4)将归一化后的实测图像的二维灰度值矩阵输入步骤3)中训练完成得到的卷积神经网络模型，根据卷积神经网络模型的输出判断实测注塑制品是否存在缺陷及对缺陷类别进行识别。卷积神经网络模型的输出为[100]则表示实测制品正常，不存在缺陷；输出为[010]则表示实测制品存在短射缺陷；输出为[001]则表示实测制品存在熔接纹缺陷；

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种注塑制品缺陷检测识别方法，其特征在于：包括以下步骤：

1)采集正常和存在已知缺陷的注塑制品的图像，对图像进行分类并生成样本；

2)构建多层卷积神经网络模型，所述卷积神经网络模型能提取注塑制品图像的特征；

3)使用步骤1)中的样本对步骤2)中构建的多层卷积神经网络模型进行训练；

4)将采集的实测注塑制品的图像经过图像灰度化、图像缩放和图像归一化的预处理后输入步骤3)中已训练完成的卷积神经网络模型，卷积神经网络模型对实测注塑制品的图像进行分类识别，以判断注塑制品是否存在注塑缺陷，若存在缺陷则对缺陷类别进行识别。

2.根据权利要求1所述的一种注塑制品缺陷检测识别方法，其特征在于：所述步骤1)具体包括以下操作：

1.1)采集正常及存在已知缺陷类型的注塑制品的图像；其中，在采集的存在缺陷的注塑制品中，每个注塑制品上只含有一种类型的缺陷；记采集的所有正常注塑制品图像组成集合C₀，所有存在类别j的缺陷的注塑制品图像组成集合C_j，其中1≤j≤N，N为注塑缺陷类别总数；判断所有采集的图像中是否有彩色图像，如果是，则转入步骤1.2)，如果否，则转入步骤1.3)；

1.2)将所有的彩色图像转换为灰度图像；

1.3)将每幅注塑制品的灰度图像分别缩放至为W×H像素大小，其中W和H均为整数且W≥28，H≥28；

1.4)本步骤包括以下子步骤：

1.4.1)设图像集合C₀,C₁…C_j…C_N中每个图像集合内的最小图像数量限 制为N_min，其中N_min为整数且N_min≥1000，设置图像集合的类别编号t＝0；

1.4.2)判断t≤N是否成立，若是，则进入步骤1.4.3)，若否，则进入步骤1.5)；

1.4.3)判断图像集合C_t中所含的图像数量N_t＜N_min是否成立，若是，则进入步骤1.4.4)，若否，则进入步骤1.4.5)；

1.4.4)对C_t中所有图像进行N_um次旋转，其中N_um为向上取整的运算结果，旋转角度为区间[1,180°]的随机整数角度；

1.4.5)设置t＝t+1，返回步骤1.4.2)；

1.5)将图像集合C₀,C₁…C_j…C_N中的每幅图像的像素灰度值除以最大灰度值255，归一化到[0,1]区间；

1.6)将归一化后的每幅图像中的二维灰度值矩阵分别按行展开，每幅图像得到一个一维行向量其中i＝1,2,3,......n，n为图像集合C₀,C₁…C_j…C_N中所有图像数目的总和，s为行向量的元素个数，s＝W×H；则对于任一幅图像，其对应的行向量为Xⁱ，其属于图像集合C_k，并且0≤k≤N，定义其类别标签向量Yⁱ＝(0,0,0,……1,0,0,0,……0)，其中1之前的0的数量为k个，1之后的0的数量为N-k个；

1.7)将每幅图像的一维行向量Xⁱ和类别标签向量Yⁱ组合，得到样本(Xⁱ，Yⁱ)。

3.根据权利要求1所述的一种注塑制品缺陷检测识别方法，其特征在于：所述步骤2)中构建的多层卷积神经网络模型包含2个卷积层以及相同数目下采样层，其具体结构如下：

2.1)卷积神经网络模型包括依次连接的第一卷积层、第一下采样层、第二卷积层、第二下采样层及全连接层；

2.2)第一卷积层使用N_c1个k_c1×k_c1大小的卷积核，对像素大小为W× H的输入图像进行卷积以提取特征，得到该层的N_c1个特征图；第一下采样层对第一卷积层的每个特征图进行3×3下采样得到该层的N_c1个特征图；

2.3)第二卷积层使用N_c2个k_c2×k_c2大小的卷积核对第一下采样层的每个特征图进行卷积以提取特征，得到该层的N_c2个特征图，其中N_c2＝2N_c1；

2.4)全连接层的输入为将第二下采样层的所有特征图全部展开而形成的一维行向量，全连接层的输出为1×(N+1)的一维行向量。

4.根据权利要求1所述的一种注塑制品缺陷检测识别方法，其特征在于：所述步骤2)中构建的多层卷积神经网络模型包含3个卷积层以及相同数目下采样层，其具体结构如下：

2.1)卷积神经网络模型包括依次连接的第一卷积层、第一下采样层、第二卷积层、第二下采样层、第三卷积层、第三下采样层及全连接层；

2.2)第一卷积层使用N_c1个k_c1×k_c1大小的卷积核，对W×H像素大小的输入图像进行卷积以提取特征，得到该层的N_c1个特征图；第一下采样层对第一卷积层的每个特征图进行3×3下采样得到该层的N_c1个特征图；

2.3)第二卷积层使用N_c2个k_c2×k_c2大小的卷积核对第一下采样层的每个特征图进行卷积以提取特征，得到该层的N_c2个特征图，其中N_c2＝2N_c1；第二下采样层对第二卷积层的每个特征图进行2×2下采样得到该层的N_c2个特征图；

2.4)第三卷积层使用N_c3个k_c3×k_c3大小的卷积核对第二下采样层的每个特征图进行卷积以提取特征，得到该层的N_c3个特征图，其中N_c3＝2N_c2；第三下采样层对第三卷积层的每个特征图进行2×2下采样得到该层的N_c3特征图；

2.5)全连接层的输入为将第三下采样层的所有特征图全部展开而形成的一维行向量，全连接层的输出为1×(N+1)的一维行向量。

5.根据权利要求1所述的一种注塑制品缺陷检测识别方法，其特征在于：所述步骤3)包括：

3.1)将构建好的卷积神经网络模型中各层的权值参数和卷积核中元素值初始化为[-v,v]区间中的随机数，而将偏置参数均初始化为零，其中v为0到1之间的有限小数；

3.2)设定卷积神经网络模型的迭代次数Epoch，对卷积神经网络模型进行迭代训练，其中Epoch为整数且Epoch≥10；每次迭代中，每个样本通过卷积神经网络模型得到输出后便调整一次卷积神经网络模型各层的权值参数、卷积核中元素值及偏置参数；当卷积神经网络模型完成Epoch次迭代后停止迭代，卷积神经网络模型训练完成。

6.根据权利要求1所述的一种注塑制品缺陷检测识别方法，其特征在于：所述步骤4)包括：

4.1)将采集的实测注塑制品的图像转换为灰度图像；

4.2)将步骤4.1)中得到的注塑制品灰度图像缩放至W×H像素大小，W和H均为整数且W≥28，H≥28；

4.3)将缩放后的实测注塑制品的图像中的像素灰度值归一化到[0,1]区间；

4.4)将归一化后的实测注塑制品图像的灰度值矩阵输入步骤3)中训练完成得到的卷积神经网络模型，根据卷积神经网络模型的输出判断实测注塑制品是否存在缺陷，若存在缺陷则对缺陷类别进行识别。