[發明專利]基于改進型Cascade R-CNN的鋁材表面缺陷檢測方法

有效

• 申請號: 202011282968.X
• 申請日: 2020-11-17
• 公開（公告）號: CN112508857B
• 公開（公告）日: 2022-04-22
• 發明（設計）人: 許玉格;郭子興;吳宗澤
• 申請（專利權）人: 華南理工大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/136;G06T7/194;G06V10/25;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 馮炳輝

本發明公開了一種基于改進型Cascade R?CNN的鋁材表面缺陷檢測方法，包括步驟：1)對鋁材表面圖片進行尺寸標準化，切割并分類；2)對圖片集進行歸一化和在線數據增強，并劃分批次；3)將所有批次的圖片使用改進型Cascade R?CNN算法進行迭代訓練；4)重復步驟2)至步驟3)，迭代訓練得到鋁材表面缺陷檢測模型；5)將待檢測的鋁材表面圖片輸入鋁材表面缺陷檢測模型，得到檢測結果。本發明可有效降低光照、曝光和位移等條件對缺陷檢測的影響，提高了檢測穩定性，同時大幅提高了極端長寬比缺陷的檢出率，降低了誤檢率。

技術領域

本發明涉及鋁材表面缺陷檢測的技術領域，尤其是指一種基于改進型Cascade R-CNN的鋁材表面缺陷檢測方法。

背景技術

缺陷檢測是生產流程中的重要一環，它保障了工業產品的可靠性。鋁材的表面缺陷檢測需要對表面上是否存在缺陷進行二分類，再對存在的缺陷位置進行精確定位，并對定位后的缺陷進行精準分類，是一個分類問題和目標檢測問題的結合。在此之前，鋁材的表面缺陷檢測技術通常使用傳統機器視覺技術，進行圖片灰度二值化、邊緣輪廓提取以及模板匹配等操作，此類的缺點是對圖片的光照、位移等變化十分敏感，魯棒性較差。此外，之前的一些基于深度學習的鋁材表面缺陷檢測方法沒有專門為缺陷檢測的特點進行設計，其漏檢率和誤檢率都比較高，效果不佳。

深度學習中的目標檢測由卷積神經網絡作為特征提取器，其提取出來的特征圖對光照、位移等變化不敏感，魯棒性較好。由區域提議網絡(Region Proposal Network)和分類回歸網絡組成了一個兩階段目標檢測器，區域提議網絡負責生成目標可能所在區域的建議，分類回歸網絡對建議的區域進行分類，并對標注框進行微調。網絡的函數由分類損失和回歸損失加權組成，并采用隨機梯度下降法進行反向傳播迭代。

現有的兩階段深度學習目標檢測器精度較高，通用性也較好，但在鋁材表面缺陷檢測中仍然存在難以檢測極端長寬比缺陷，不帶缺陷的正常圖片無法參與模型訓練使得誤檢率較高等問題。

發明內容

本發明的目的在于克服現有技術的缺點與不足，提出了一種基于改進型CascadeR-CNN的鋁材表面缺陷檢測方法，可有效降低光照、曝光和位移等條件對缺陷檢測的影響，提高了檢測穩定性。同時，設計的網絡能對正常圖像和缺陷圖像進行訓練，同時完成二分類和目標檢測任務，極大地降低了誤檢率。此外，還加入了候選生成網絡，提高了極端長寬比缺陷的檢出率。在鋁材表面缺陷檢測上具有效率高、泛化性強、精度高、穩定性好等優點。

為實現上述目的，本發明所提供的技術方案為：基于改進型Cascade R-CNN的鋁材表面缺陷檢測方法，包括以下步驟：

1)對鋁材表面圖片集進行尺寸標準化操作，其中含有缺陷的圖片有對應的缺陷標注文件，根據圖片是否含有缺陷標注文件將圖片集劃分為正常圖片集和缺陷圖片集；

2)將步驟1)得到的圖片集進行歸一化和在線隨機數據增強，包括上下左右隨機翻轉，并劃分批次；

3)將步驟2)得到的每個批次的圖片和標注，使用改進型Cascade R-CNN算法進行迭代訓練，訓練完所有批次后完成一個輪次的訓練；

4)完成一個輪次的訓練后，重復進行步驟2)至步驟3)，直至達到設定的迭代輪次，把網絡中的參數輸出并保存，得到鋁材表面缺陷檢測模型；

5)將待檢測的鋁材表面圖片輸入鋁材表面缺陷檢測模型，即可輸出待檢測的鋁材表面圖片的缺陷位置和類別信息。