[發(fā)明專利]一種基于深度學(xué)習(xí)的金屬部件表面缺陷檢測方法

在審

• 申請?zhí)枺?/td>: 202010863641.5
• 申請日: 2020-08-25
• 公開（公告）號: CN112184619A
• 公開（公告）日: 2021-01-05
• 發(fā)明（設(shè)計(jì)）人: 劉冬;梅華威;李根;張帥
• 申請（專利權(quán)）人: 華北電力大學(xué)（保定）
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/32;G06N3/04
• 代理公司: 石家莊新世紀(jì)專利商標(biāo)事務(wù)所有限公司 13100
• 代理人: 張棟然

1.一種基于深度學(xué)習(xí)的金屬部件表面缺陷檢測方法，其特征在于其包括如下步驟：

獲取視頻文件，對其進(jìn)行截幀處理，將截取的圖像進(jìn)行剪切和/或旋轉(zhuǎn)變換，使金屬部件處于圖片中心位置；

特征提取；

區(qū)域建議網(wǎng)絡(luò)RPN，利用RPN網(wǎng)絡(luò)獲得圖像中的位置信息與分類信息；

通過 RPN 獲得候選區(qū)域后，利用Fast-RCNN進(jìn)行檢測。

2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的金屬部件表面缺陷檢測方法，其特征在于在獲取視頻文件時，若為在線攝像頭，則獲取攝像頭的用戶名和密碼，對實(shí)時視頻進(jìn)行處理；若為存儲好的視頻文件，則獲取文件路徑。

3.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的金屬部件表面缺陷檢測方法，其特征在于在特征提取時，利用卷積神經(jīng)網(wǎng)絡(luò)的權(quán)值共享網(wǎng)絡(luò)結(jié)構(gòu)提取圖像特征；

將圖像作為網(wǎng)絡(luò)輸入，使用 RoIPooling 首先將預(yù)選框邊界量化為整數(shù)點(diǎn)坐標(biāo)值；然后遍歷每一個候選區(qū)域，保持浮點(diǎn)數(shù)邊界不做量化，將候選區(qū)域分割成 n×n個單元，每個單元的邊界不做量化；最后在每個單元中計(jì)算固定四個坐標(biāo)位置，使用雙線性內(nèi)插的方法計(jì)算出這四個位置的值，然后進(jìn)行最大池化操作。

4.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的金屬部件表面缺陷檢測方法，其特征在于在利用RPN網(wǎng)絡(luò)獲得圖像中的位置信息與分類信息時，利用RPN網(wǎng)絡(luò)選取高質(zhì)量的候選框，輸入一張圖像、輸出若干個矩形候選區(qū)域，使用一個小滑動窗口在最后卷積得到的特征圖進(jìn)行滑動掃描；經(jīng)過滑動卷積后，映射得到一個 D 維向量，最后將該 D 維向量送入兩個全連接層中，即候選框位置回歸層與分類層，以獲得位置信息與分類信息。

5.根據(jù)權(quán)利要求4所述的一種基于深度學(xué)習(xí)的金屬部件表面缺陷檢測方法，其特征在于位置回歸層輸出候選框的 4 個相關(guān)參數(shù)包括候選框中心坐標(biāo) x 和 y、寬 w 和長h；分類層輸出目標(biāo)與非目標(biāo)概率。

6.根據(jù)權(quán)利要求5所述的一種基于深度學(xué)習(xí)的金屬部件表面缺陷檢測方法，其特征在于使用非極大值抑制法對候選框進(jìn)行過濾。

7.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的金屬部件表面缺陷檢測方法，其特征在于利用Fast-RCNN進(jìn)行檢測時，通過交替運(yùn)行優(yōu)化方法使RPN與Fast-RCNN 共享卷積特征，F(xiàn)ast-RCNN 在 RPN 提供的高質(zhì)量區(qū)域建議網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行目標(biāo)識別。