[發明專利]基于輔助學習網絡的竹條缺陷檢測方法

有效

• 申請號: 202011118649.5
• 申請日: 2020-10-19
• 公開（公告）號: CN112184698B
• 公開（公告）日: 2022-04-15
• 發明（設計）人: 劉文哲;黃炳城;童同;高欽泉
• 申請（專利權）人: 三明帝視機器人科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/90;G06V10/32;G06V10/764;G06V10/80;G06V10/82;G06K9/62
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 陳明鑫;蔡學俊

1.一種基于輔助學習網絡的竹條缺陷檢測方法，其特征在于，包括以下步驟：

步驟S1:采集竹條缺陷數據，并通過標定，生成數據集；

步驟S2:對數據集進行預處理，并將預處理后的數據集作為訓練集；

步驟S3：基于訓練集訓練骨干網絡和輔助定位檢測網絡，進一步得到物體預測矩陣、邊框尺寸預測矩陣和邊框偏移預測矩陣；

所述步驟S3具體為：

步驟S31:輸入竹條圖像I經過輔助定位檢測網絡的降采樣特征提取表示模塊、多尺度特征融合模塊、特征傳遞輸出模塊分別得到竹條圖像特征F_d^I、F_m^I、F_L^I；

步驟S32:輸入竹條圖像I經過骨干網絡的下采樣模塊、上采樣模塊特征融合部分、特征結合傳遞輸出模塊，得到特征結合傳遞輸出模塊特征F₁^I、

步驟S33:凍結骨干網絡，將骨干網絡的參數進行傳遞到下一步，但不進行更新，只訓練輔助定位檢測網絡；

步驟S34:訓練輔助定位檢測網絡至損失loss趨于穩定后，放開凍結，將骨干網絡與輔助定位檢測網絡一同訓練；

步驟S35:將竹條特征圖F_d^I、F_m^I、F_L^I分別與特征F₁^I、進行融合傳遞；

步驟S36:采取以中心點檢測為目標的網絡,以預測熱力圖中心點視為檢測目標,將步驟S35融合得到的特征圖經過一個3×3的卷積后，經過rule激活函數激活后再經過一個1×1的卷積，得到物體預測矩陣；

步驟S37:將步驟S35融合得到的特征圖經過一個3×3的卷積后，經過rule激活函數激活后再經過一個1×1的卷積得到邊框尺寸預測矩陣.

步驟S38:將步驟S35融合得到的特征圖經過一個3×3的卷積后，經過rule激活函數激活后再經過一個1×1的卷積得到邊框偏移預測矩陣；

步驟S4:根據得到的物體預測矩陣、邊框尺寸預測矩陣和邊框偏移預測矩陣，分別計算物體預測損失、邊框尺寸預測損失、邊框偏移預測損失，并進一步計算網絡總損失；

步驟S5:將待測圖像經過預處理后輸入訓練后的訓練骨干網絡和輔助定位檢測網絡，得到檢測結果。

2.根據權利要求1所述的基于輔助學習網絡的竹條缺陷檢測方法，其特征在于，所述預處理具體為:對不同產地的竹條和不同批次的竹條所呈現的顏色差別，在每次訓練前隨機的在圖像的HSV空間進行微調，并加上隨機顏色抖動。

3.根據權利要求1所述的基于輔助學習網絡的竹條缺陷檢測方法，其特征在于，所述步驟S4具體為：

步驟S41:將物體預測矩陣與實際物體矩陣進行比較，計算兩個矩陣之間的focal損失focal_loss

步驟S42:將物體邊框預測矩陣與實際物體邊框矩陣進行比較，計算兩個矩陣之間的梯度均衡損失(GHM loss)L_size；

步驟S43:將物體偏移框預測矩陣與實際物體邊框矩陣進行比較，計算兩個矩陣之間的L1損失L_off

步驟S44:將物體預測矩陣的損失focal_loss、邊框尺寸預測矩陣的損失L_size、邊框偏

移預測矩陣的損失L_off賦予不同的權重，作為網絡更新的總損失，其計算公式為

其中β＝0.1，γ＝1。

4.根據權利要求1所述的基于輔助學習網絡的竹條缺陷檢測方法，其特征在于，所述步驟S5具體為：

步驟S51:將待測圖像經過預處理后輸入訓練后的訓練骨干網絡和輔助定位檢測網絡，得到物體預測矩陣、尺寸預測矩陣和邊框預測矩陣；

步驟S52:遍歷物體預測矩陣的所有通道，然后找到每個通道的物體預測矩陣的激活點，即每個矩陣不為零的點，那么這個點所在的坐標即物體坐標，這個點所在的通道即其所屬的類別；

步驟S53:將得到的物體坐標代入尺寸預測矩陣中，所得到的值即為檢測到的目標的大小；

步驟S54:將得到物體坐標、所屬的類別和標的大小輸出，得到檢測結果。