[發(fā)明專利]一種焊點識別方法

在審

• 申請?zhí)枺?/td>: 201911410782.5
• 申請日: 2019-12-31
• 公開（公告）號: CN111160479A
• 公開（公告）日: 2020-05-15
• 發(fā)明（設(shè)計）人: 游文婧;張浪文;陳立定
• 申請（專利權(quán)）人: 華南理工大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州市華學(xué)知識產(chǎn)權(quán)代理有限公司 44245
• 代理人: 仵樂娟

本發(fā)明涉及一種焊點識別方法，該方法包括基于Faster?R?CNN模型，對汽車門板圖像上的焊點進行識別；其中根據(jù)樣本圖像訓(xùn)練Faster?R?CNN模型，樣本圖像是標(biāo)定的汽車焊點圖像；Faster?R?CNN模型包括VGG16網(wǎng)絡(luò)、RPN網(wǎng)絡(luò)以及Fast?RCNN網(wǎng)絡(luò)，RPN網(wǎng)絡(luò)的輸出值接入Fast?RCNN網(wǎng)絡(luò)之前，按照分類概率值的大小對RPN網(wǎng)絡(luò)輸出的建議區(qū)域進行排序，挑選與檢測目標(biāo)匹配度最優(yōu)的特定建議區(qū)域輸入Fast?RCNN網(wǎng)絡(luò)，F(xiàn)ast?RCNN網(wǎng)絡(luò)輸出焊點的定位及分類。該Faster?R?CNN模型應(yīng)用于汽車門板焊點的識別，改進了小目標(biāo)檢測上的缺陷，提高了檢測的精度與效率。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理領(lǐng)域，具體涉及一種焊點識別方法。

背景技術(shù)

現(xiàn)有的目標(biāo)檢測所采用的R-CNN(Region-CNN)使用Selective Search生成候選區(qū)域，CNN網(wǎng)絡(luò)提取圖像特征，特征分別送入多個線性支持向量機(SVM)二類分類器進行判別，線性脊回歸器進行候選框的位置精修。其缺點是各候選區(qū)域重復(fù)提取特征導(dǎo)致檢測速度很慢。為了解決R-CNN算法多個候選區(qū)域重復(fù)計算的問題，F(xiàn)ast-R-CNN加入了建議區(qū)域池化層將不同大小的建議區(qū)域?qū)?yīng)的特征轉(zhuǎn)為固定大小的區(qū)域特征，再分別傳入兩個全連接層輸出，傳入傳統(tǒng)softmax層進行分類，傳入回歸器回歸候選框，大幅減少了計算開銷，避免重復(fù)卷積，計算效率進一步提升。但是建議區(qū)域的生成速度慢、效率低很大程度地影響識別速度的進一步提升。為了解決上述問題，F(xiàn)aster-R-CNN出現(xiàn)了，但是當(dāng)前的Faster-R-CN模型在檢測小目標(biāo)時存在檢測精度與檢測效率低的問題。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)中存在的技術(shù)問題，本發(fā)明的首要目的是提供一種焊點的識別方法。基于該目的，本發(fā)明至少提供如下技術(shù)方案：

一種焊點識別方法，所述方法包括：

基于Faster-R-CNN模型，對焊點進行識別；其中，

根據(jù)樣本圖像訓(xùn)練Faster-R-CNN模型，所述樣本圖像是標(biāo)定的汽車門板焊點圖像；所述Faster-R-CNN模型包括VGG16網(wǎng)絡(luò)、RPN網(wǎng)絡(luò)以及Fast-RCNN網(wǎng)絡(luò)，所述RPN網(wǎng)絡(luò)的輸出值接入所述Fast-RCNN網(wǎng)絡(luò)之前，按照分類概率值的大小對所述RPN網(wǎng)絡(luò)輸出的建議區(qū)域進行排序，挑選與檢測目標(biāo)匹配度最優(yōu)的特定建議區(qū)域輸入Fast-RCNN網(wǎng)絡(luò)，所述Fast-RCNN網(wǎng)絡(luò)輸出所述焊點的定位及分類。

進一步的，所述VGG16網(wǎng)絡(luò)包含13個卷積層、13個LeakyRelu激活層以及4個池化層。

進一步的，F(xiàn)ast-RCNN網(wǎng)絡(luò)包括建議區(qū)域池化層以及兩個并列的全連接層，其中建議區(qū)域池化層采用最大池化層。

進一步的，所述建議區(qū)域包含兩種像素尺度以及三種縮放比，所述兩種像素尺度為2.828*2.828以及8*8，所述三種縮放比為0.25、0.5以及1。

進一步的，所述LeakyRelu激活層使用的激活函數(shù)為：f(x)＝max(0.01x,x)，其中x為上層卷積的輸出。

進一步的，所述特定建議區(qū)域采用非極大值抑制方法挑選，所述非極大值抑制方法包括如下步驟：

S1.1、將所有建議區(qū)域按照分類概率值的大小排序，選中最高分類概率值及其對應(yīng)的建議區(qū)域；

S1.2、遍歷其余的建議區(qū)域，比較當(dāng)前建議區(qū)域和當(dāng)前最高分的建議區(qū)域的面積，如果當(dāng)前建議區(qū)域和當(dāng)前最高分的建議區(qū)域的重疊面積大于一定閾值，則刪除該當(dāng)前建議區(qū)域；

S1.3、從未比較的建議區(qū)域中選擇最高分類概率值的建議區(qū)域，重復(fù)步驟S1.1-1.2，直到所有建議區(qū)域被選擇。

進一步的，所述閾值為0.3。