1.一种基于卷积神经网络的磁片表面缺陷检测方法，包括如下步骤：(1)获取待检测磁片的俯视图像并对图像进行预处理；

具体包括如下步骤：

第一步对磁片图像进行灰度化处理，对灰度图像进行霍夫圆变换，检测出磁片外轮廓，根据圆心，圆半径切割该圆的最小外接正方形；

第二步为以切割出来的正方形图像为模板，批量模板匹配处理剩余图像，使得所有图像均为磁片的外轮廓最小外接圆大小；

第三步将第二步得到的所有图像进行尺寸变换至设定大小；

第四步将尺寸变换后的图像使用图像处理的方法进行旋转分割，将一副大图分割成多幅小图；

(2)将预处理后的图像输入至预先训练好的卷积神经网络进行缺陷检测，检测磁片表面是否有缺陷，并对缺陷进行分类；卷积神经网络，其中输入层，卷积层，采样层，全连接层对图像进行特征提取，提取的特征由Softmax分类器进行缺陷分类；

所述的缺陷检测模型的训练方法为：

(a)数据样本采集，采集大量磁片图像，包含无缺陷磁片和有缺陷磁片；

(b)扩充数据集，对采集的磁片进行预处理，图像进行旋转分割，将一副磁片图切割成多幅图像，并进行人工标记，分为有缺陷沙眼类，有缺陷缺块类，有缺陷裂纹类，无缺陷共4类，并对得到的这些数据样本按一定比例分为两部分，一部分作为训练集，一部分为测试集；

(c)建立卷积神经网络；

(d)将训练集样本数据输入至卷积神经网络，训练卷积神经网络，并用测试集样本数据去评价卷积神经网络训练的效果；

所述的卷积神经网络如下：

输入层：第一层为输入层，输入大小为图片大小43*43；

C1层：输入层的输出为43*43的矩阵，C1卷积层的输入为输入层的输出，输入与64个3*3步进为1的卷积核进行卷积操作，激励函数为RELU，总共提取64个特征map，输出为41*41*64的矩阵；

S2层：S2池化层的输入为C1卷积层的输出，对输入的64个map用2*2步进为2的卷积核进行最大值采样处理，输出为20*20*64的矩阵；

C3层：C3层的输入为S2层的输出，对输入的64个map用128个3*3步进为1的卷积核进行卷子操作，激励函数为RELU，总共提取128特征map，输出为18*18*128的矩阵；

S4层：S4层的输入为C3层的输出，对输入的128个map用2*2步进为2的卷积核进行最大值采样处理，输出为9*9*128的矩阵；

C5层：C5层的输入为S4层的输出，对输入的128个map用256个3*3步进为1的卷积核进行卷积操作，激励函数为RELU，总共提取256个特征map，输出为7*7*256；

F6全连接层：全连接层1对提取的特征进行加权计算，得到1维特征向量；

F7全连接层2：全连接层2对全连接层1输出的特征向量进行加权计算，得到特征更集中的1维特征向量；

Softmax分类器：对全连接层2输出端的特征向量进行分类。