[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的冰柜表面缺陷檢測

在審

• 申請?zhí)枺?/td>: 202010007418.0
• 申請日: 2020-01-07
• 公開（公告）號: CN111199543A
• 公開（公告）日: 2020-05-26
• 發(fā)明（設(shè)計(jì)）人: 趙蘊(yùn)龍;孫毅
• 申請（專利權(quán)）人: 南京航空航天大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06N3/04;G01N21/88
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的冰柜表面缺陷檢測，其特征在于，首先構(gòu)建Cascade R-CNN目標(biāo)檢測模型，然后基于訓(xùn)練數(shù)據(jù)集進(jìn)行模型訓(xùn)練，再使用驗(yàn)證數(shù)據(jù)集對其進(jìn)行驗(yàn)證，并根據(jù)驗(yàn)證結(jié)果調(diào)整模型結(jié)構(gòu)后進(jìn)一步進(jìn)行訓(xùn)練，最后將測試圖片輸入模型，輸出測試結(jié)果，所述方法具體過程為：

步驟一：根據(jù)任務(wù)需要，選擇合適的目標(biāo)檢測基礎(chǔ)架構(gòu)，并進(jìn)一步選擇合適的backbone網(wǎng)絡(luò)結(jié)構(gòu)；

步驟二：構(gòu)建目標(biāo)檢測網(wǎng)絡(luò)模型，采用數(shù)據(jù)增強(qiáng)方法擴(kuò)充訓(xùn)練數(shù)據(jù)集并進(jìn)行訓(xùn)練，然后在驗(yàn)證數(shù)據(jù)集上進(jìn)行驗(yàn)證；

步驟三：根據(jù)驗(yàn)證結(jié)果，對模型結(jié)構(gòu)和訓(xùn)練策略進(jìn)一步優(yōu)化，并重新進(jìn)行訓(xùn)練和驗(yàn)證；

步驟四：將測試數(shù)據(jù)放入模型，產(chǎn)生最后的預(yù)測結(jié)果，并通過可視化對比實(shí)際結(jié)果。

2.根據(jù)權(quán)利要求1所述一種基于卷積神經(jīng)網(wǎng)絡(luò)的冰柜表面缺陷檢測，其特征在于：所訴步驟一中根據(jù)任務(wù)需要，選擇合適的目標(biāo)檢測基礎(chǔ)架構(gòu)，并進(jìn)一步選擇合適的backbone網(wǎng)絡(luò)結(jié)構(gòu)；具體過程為：

1)確認(rèn)本次任務(wù)的目標(biāo)是準(zhǔn)確檢測冰柜表面的缺陷，并標(biāo)識出缺陷的位置并打上NG標(biāo)簽，如果不存在缺陷，則輸出結(jié)果打上OK標(biāo)簽；

2)基于任務(wù)的精確度要求，選擇Cascade R-CNN為本次檢測任務(wù)的基礎(chǔ)架構(gòu)，其優(yōu)點(diǎn)在能夠更精確的標(biāo)識出缺陷位置；

3)檢測模型的backbone要求能夠?qū)ξ矬w的分類更加精確，對比ResNet50、Res101、ResNet152的分類精度和模型速度；

4)挑選ResNet50作為本次任務(wù)的backbone。

3.根據(jù)權(quán)利要求1所述一種基于卷積神經(jīng)網(wǎng)絡(luò)的冰柜表面缺陷檢測，其特征在于：所訴步驟二中構(gòu)建目標(biāo)檢測網(wǎng)絡(luò)模型，采用數(shù)據(jù)增強(qiáng)方法擴(kuò)充訓(xùn)練數(shù)據(jù)集并進(jìn)行訓(xùn)練，然后在驗(yàn)證數(shù)據(jù)集上進(jìn)行驗(yàn)證；具體過程為：

1)構(gòu)建ResNet50和Cascade R-CNN模型；

2)數(shù)據(jù)增強(qiáng)方法有很多，比如：Resize、RandomFlip、RandomCrop、RandomScale等，針對本次任務(wù)的數(shù)據(jù)集，選擇Resize、RandomFlip、RandomCrop方法擴(kuò)充數(shù)據(jù)；

3)訓(xùn)練參數(shù)設(shè)置如下，epoch為13、SGD作為優(yōu)化器、初始learning rate設(shè)置為0.02，momentum設(shè)置為0.9，weight_delay設(shè)置為0.0001，batch_size為2；4)實(shí)驗(yàn)環(huán)境設(shè)置，系統(tǒng)為Ubuntu16.0.4、GPU為GTX1080Ti、CPU為Core i7、內(nèi)存為64G、深度學(xué)習(xí)框架為PyTorch；

5)使用Cascade R-CNN在COCO數(shù)據(jù)集上的訓(xùn)練參數(shù)作為預(yù)訓(xùn)練模型參數(shù)，然后在本次任務(wù)的752張缺陷訓(xùn)練集上進(jìn)行fine-tuning；

6)使用驗(yàn)證數(shù)據(jù)集(包括300張存在缺陷的圖片和300張沒有缺陷的圖片)在訓(xùn)練好的模型上驗(yàn)證，輸出評價(jià)指數(shù)AP的值。