[發(fā)明專利]一種基于改進非局部均值Faster-RCNN算法的紙張缺陷自動檢測方法

在審

• 申請?zhí)枺?/td>: 202010029727.8
• 申請日: 2020-01-13
• 公開（公告）號: CN111192264A
• 公開（公告）日: 2020-05-22
• 發(fā)明（設計）人: 李果;劉滔;張鵬
• 申請（專利權(quán)）人: 李果
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/194;G06T5/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于改進非局部均值Faster-RCNN算法的紙張缺陷自動檢測方法，包括紙張缺陷識別與定位、缺陷圖像分割提取二個部分，其特征在于，具體的操作步驟為：

(1)將標準化的紙張缺陷圖像對Faster-RCNN算法模型進行深度訓練，使Faster-RCNN算法模型具備對紙張缺陷識別、定位及分檢的能力；

(2)將訓練好的Faster-RCNN算法模型對實際紙張進行檢測，得到紙張缺陷圖；

(3)使用非局部均值NLM算法對已獲取的紙張缺陷圖進行降噪處理；

(4)通過線性濾波算法對紙張缺陷圖進行增強處理，增強紙張缺陷圖邊界與背景反差；

(5)紙張缺陷圖二值化，將缺陷從背景中分割提取出來，

上述采用Faster-RCNN算法模型對紙張進行檢測時，包括對Faster-RCNN算法模型中的RPN和ROI兩個卷積神經(jīng)網(wǎng)絡進行改進，

RPN卷積神經(jīng)網(wǎng)絡改進的具體操作為：對收集的紙張缺陷進行統(tǒng)計分析，發(fā)現(xiàn)其不規(guī)則形態(tài)寬高比在0.73，尺度有17種；

RoI卷積神經(jīng)網(wǎng)絡改進的具體操作為：1)把RoI投射到特征圖區(qū)域內(nèi)，計算過程不取整且保留小數(shù)；2)把RoI投射特征圖的結(jié)果均勻地劃分到一個2×2的區(qū)域里，在這些均分的區(qū)域里，每個區(qū)域都布置均勻采樣點4個，對每個采樣點進行雙線性插值；3)每個采樣點完成雙線性插值后，對該區(qū)域里的4個采樣點取最大值，即Max Pooling，最后產(chǎn)生2×2區(qū)域的特征量；

上述步驟(3)中非局部均值NLM算法中，權(quán)值w(t,s)表示為以下公式：

θ(t)表示t的中心像素值，是t的中值，代表其像素總和，[θ(t)-n(s)]²為權(quán)重塊中心的灰度差平方；

上述步驟(4)中，線性濾波算法采取預遍歷圖像的方法，先獲得塊中值及塊和，接著獲得窗口中塊中心像素點的灰度值、中值及像素之和，然后再進行第二次遍歷圖像，利用預遍歷圖像得到的數(shù)值直接計算權(quán)值，采用上述同樣方法遍歷窗口后計算獲得中心像素。

2.根據(jù)權(quán)利要求1所述的一種基于改進非局部均值Faster-RCNN算法的紙張缺陷自動檢測方法，其特征在于，上述RPN卷積神經(jīng)網(wǎng)絡改進中的對收集的紙張缺陷進行統(tǒng)計分析時，不規(guī)則形態(tài)寬高比和尺度的數(shù)值根據(jù)實際檢測中不同紙張質(zhì)地多發(fā)生缺陷概率來進行設置。

3.根據(jù)權(quán)利要求1所述的一種基于改進非局部均值Faster-RCNN算法的紙張缺陷自動檢測方法，其特征在于，非局部均值NLM算法進行降噪處理的具體操作為：

將紙張缺陷圖看成標準原圖和噪聲的疊加狀態(tài)，把標準圖像設為u(t)，噪聲信號設為n(t)，最后實際圖像為v(t)，其表達式為v(t)＝u(t)+n(t)非局部均值NLM算法這個過程用以下方程式表示：N(t)是在t為中心的范圍內(nèi)，搜索區(qū)域點的集合，產(chǎn)生歸一化的因子R(t)，具體如下：R(t)＝∑_s∈N(t)ω(t，s)，權(quán)值w(t,s)表示為以下公式：

對于圖像兩個點t和s，它們之間歐氏距離平方和為g²，g²越大，表示相似度越大，w(t,s)的權(quán)重為參數(shù)是控制其衰減速度，Δ是與t點相接的相鄰區(qū)域，LΔ是與s點相接的相鄰區(qū)域，γ為帶寬，點t和s的相鄰區(qū)域的相似度決定了w(t,s)，兩個區(qū)域的相似度越高w(t,s)值就越大，相反則越小。

4.根據(jù)權(quán)利要求1所述的一種基于改進非局部均值Faster-RCNN算法的紙張缺陷自動檢測方法，其特征在于，上述步驟(3)中，所述中心像素值、中值、像素總和的比值為1:3:2。