[發明專利]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

• 申請號: 202010029727.8
• 申請日: 2020-01-13
• 公開（公告）號: CN111192264A
• 公開（公告）日: 2020-05-22
• 發明（設計）人: 李果;劉滔;張鵬
• 申請（專利權）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

本發明公開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，來提升紙張缺陷檢測效率。先是通過Faster?RCNN進行訓練，獲取缺陷圖像后，再引入非局部均值算法進行降噪處理，之后對缺陷圖像進行精準定位及分割。在這個過程中，為了提高算法的效率與精度，對Faster?RCNN中的RPN和RoI進行了改進，并對非局部均值算法進行了優化。實驗表明，與現有的算法相比，本發明提出的算法有效提升了檢測的準確度和效率，特別是近似背景情境下的精準度。

技術領域

本發明屬于紙張缺陷自動檢測技術領域，具體涉及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。

背景技術

近年來，隨著人民群眾對環境保護要求的日益提高以及國家環保督查措施的有效推進，低碳環保、綠色發展成為造紙行業的指導思想。特別是在造紙過程中，能夠有效的發現紙張的缺陷并及時地處理，正是節約成本、減少排放的有效途徑。目前，造紙行業普遍使用自動圖像檢測方法來檢測紙張質量，但由于算法固定，此類算法對紙張不規律、不規則的缺陷缺乏檢測能力，特別是自主學習并智能檢測的能力，識別效率不高、成本控制不佳。

目前紙張制造過程中常見的質量缺陷有破損、污漬、褶皺、雜質等四種，如圖1所示，由于各種缺陷多為隨機出現，大小、形狀、深淺等也各有不同，很難用固定的模型套用。近年來，在區域選擇中構建目標檢測算法已經成為主流的目標檢測及識別模式，是把檢測識別的任務分解簡化，再通過自主學習來提升識別精確度，比較有代表性的算法有RCNN、Fast-RCNN和Faster-RCNN。RCNN是采用CNN網絡在候選區提取特征，再通過SVM訓練完成特征精細分類。Fast-RCNN是構建ROI池化層且采用預測方法判斷區域類型，以提高速度和精度； Faster-RCNN是在Fast-RCNN基礎上優化檢測算法，進一步提高檢測效率。Faster-RCCN算法由RPN和ROI兩個卷積神經網絡組成，具體如圖2所示，RPN是區域生成功能網絡，作用在于生成目標可能存在的備選區；ROI池化層的Fast-RCNN算法對備選區進行有效分檢。由于這兩個部分同時分享特征圖，使目標備選區目標檢測大大提高了速度及檢測效率。RPN是一個全卷積神經網絡，工作原理是使用一個平滑窗口，將原始圖像作為特征圖，且特征圖不受形狀大小限制，并將特征圖在卷積網絡上平滑檢索，針對不同的窗口，可同時預測多個目標備選區，即n個錨；如果卷積為m×h，便可得m×h×n個錨，每個窗口都映射一個低維向量，該向量輸出給分類及回歸網絡。通過 end-to-end模式訓練RPN，損失的部分可通過平衡因子再次訓練，然后再次進行Fast-RCNN目標區域檢查。Fast-RCNN的優勢在于，特征圖通過ROI后，得到確切的特征向量，并輸入softmax分類和邊框回歸。另外，為了保證速度和進度，RPN和Fast-RCNN同時提取特征，互相補充，相互統一。但是現有的Faster-RCCN算法在與背景相差較大的缺陷識別中，能夠比較清晰的分割缺陷，但在于背景差別較小的油污、折痕缺陷檢測中，出現了比較明顯的噪聲，漏錯檢率高，檢測結果不準確。

非局部均值算法是由Buades等人提出的一種利用圖像相似結構進行降噪處理的算法。算法的主要思想是以像素為中心，遍歷該像素點所有相似結構，并對各個像素再次估值。整個過程是像素點加權平均的過程，即每個像素點與周圍像素組成一個小窗口，整個圖像作為一個樣本窗口，通過比對每個像素小窗口與樣本窗口進行比對，獲得一個相似度的權值，具體流程如下：