[發明專利]一種基于深度學習的氣門自動檢測方法

在審

• 申請號: 202011486877.8
• 申請日: 2020-12-16
• 公開（公告）號: CN112560682A
• 公開（公告）日: 2021-03-26
• 發明（設計）人: 張勇;周吉祥;王翊
• 申請（專利權）人: 重慶守愚科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 重慶巨華智匯知識產權代理事務所(普通合伙) 50271
• 代理人: 楊明

1.一種基于深度學習的氣門自動檢測方法，其特征在于，包括下述步驟：

S100：采集樣本；

S200：對采集的樣本進行標注；

S300：對標注后的樣本進行預處理；

S400：對預處理后的樣本進行干擾性處理，從而獲得訓練樣本；

S500：搭建卷積網絡和訓練模型，對訓練樣本進行訓練；

S600：對預測結果進行處理，去除可信度小的檢測結果。

2.根據權利要求1所述的一種基于深度學習的氣門自動檢測方法，其特征在于，步驟S400中所述對預處理后的圖像進行干擾性處理具體包括下述方法：對樣本進行遮擋和/或在樣本周圍放置干擾物。

3.根據權利要求2所述的一種基于深度學習的氣門自動檢測方法，其特征在于，步驟S400中所述對預處理后的圖像進行干擾性處理具體包括下述方法：利用和目標相似的物體對樣本進行干擾。

4.根據權利要求1所述的一種基于深度學習的氣門自動檢測方法，其特征在于，步驟S200中所述對采集的樣本進行標注具體包括下述方法：只標注那些完全未被遮擋的器件，被遮擋的物體則當作背景進行處理。

5.根據權利要求1所述的一種基于深度學習的氣門自動檢測方法，其特征在于，步驟S300中所述對標注后的樣本進行預處理具體包括下述方法：通過旋轉、光照強度調節的方法來提高樣本采集的有效性。

6.根據權利要求1所述的一種基于深度學習的氣門自動檢測方法，其特征在于，所述步驟S500具體包括下述方法：利用Pytorch深度學習庫進行網絡的搭建，在氣門檢測任務中采用YoloV3模型和Yolo V3 tiny模型進行相的檢測任務，Yolo V3模型負責第一階段的找全方面的檢測，Yolo V3 tiny負責第二階段的找準方面的檢測任務。

7.根據權利要求6所述的一種基于深度學習的氣門自動檢測方法，其特征在于，所述步驟S500還包括下述方法：

在第一階段的模型訓練階段按照7:2:1的比例將數據分為訓練集、驗證集和測試集，采用Adam優化器進行模型優化，batchsize為16，初始學習速率為1×10^-4，迭代次數為300epoch；

在第二階段的訓練過程中采用Yolo tiny模型負責氣門的精準檢測，首先根據第一階段的檢測結果獲取感興趣區域作為第二階段的網絡輸入；在第二階段的訓練過程中采用Adam優化器進行模型的優化，batchsize為96，初始學習速率為6×10^-5，迭代次數為120個epoch。

8.根據權利要求1所述的一種基于深度學習的氣門自動檢測方法，其特征在于，所述步驟S500還包括下述方法：

在模型的訓練過程中對訓練樣本進行增強，首先隨機地對目標區域進行剪裁處理，然后對處理后的圖像進行MixUp增強處理，最后再采用旋轉、鏡像，高斯噪聲方法對訓練樣本進行進一步的增強。