[發明專利]一種基于改進Mask RCNN的汽車表面擦傷檢測方法

在審

• 申請號: 202110174413.1
• 申請日: 2021-02-07
• 公開（公告）號: CN112802005A
• 公開（公告）日: 2021-05-14
• 發明（設計）人: 徐向榮;周攀;劉雪飛;朱永飛
• 申請（專利權）人: 安徽工業大學
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 安徽知問律師事務所 34134
• 代理人: 于婉萍

1.一種基于改進Mask RCNN的汽車表面擦傷檢測方法，其特征在于，包含以下步驟：

步驟S1：采集汽車表面擦傷圖片，制作訓練集和驗證集；

步驟S2：構建基于改進版Mask RCNN的深度學習網絡模型；

步驟S3：設置訓練過程的權重初始化、超參數及優化器；

步驟S4：將步驟S1中制作的訓練集輸入步驟S2構建的網絡模型進行訓練；

步驟S5：將步驟S1中設置的驗證集輸入到步驟S4中訓練好的模型中，計算模型的mAP值，當mAP值大于等于90％時，停止訓練，保存模型；當mAP值小于90％時，回到步驟S3中重新進行超參數設置，然后繼續進行步驟S4；

步驟S6：將待檢測的汽車表面擦傷圖片輸入到步驟S5中保存的深度學習模型進行推斷，獲得擦傷的位置、種類以及置信度。

2.根據權利要求1所述的一種基于改進Mask RCNN的汽車表面擦傷檢測方法，其特征在于：所述步驟S1中采集車體擦傷圖片后，將圖片尺寸統一裁剪為112×112，利用LabelMe工具在圖片中標注出擦傷部分的位置和形狀，將所有圖片按8：2的比例分成訓練集和測試集。

3.根據權利要求1或2所述的一種基于改進Mask RCNN的汽車表面擦傷檢測方法，其特征在于，所述步驟S2的具體過程如下：

S2.1：采用FPN+ResNet50作為特征提取網絡；

S2.2：采用Kmeans++算法調整RPN網絡中錨框的數量和尺度，當平均交并比不再上升時，選取此時錨框數量為k，將訓練集的樣本中每個目標框的長寬尺寸設定為二維坐標系上的坐標點，利用Kmeans算法推算調整后的錨框尺寸；

S2.3：使用Soft NMS算法進行非極大值抑制，Soft NMS算法如下式所示：

Soft NMS：

式中：s_i為第i個檢測框的得分；b_i為待檢測框；M為得分最高候選框；iou(M,b_i)衡量M和b_i的重疊度；N_t為預設閾值。

將所有的候選框按照類別不同分成不同集合，將每個集合中的候選框按照概率值大小降序排列，計算每個集合中的最大概率值的候選框和余下的候選框的IOU值，若IOU值小于設定閾值N_t，則保留，否則將該候選框的概率值設定為

S2.4：ROI池化層采用ROI Align算法；將候選區域劃分為4個小區域，每個小區域的ROIAlign算法利用雙線性插值算法進行平均值計算。

4.根據權利要求3所述的一種基于改進Mask RCNN的汽車表面擦傷檢測方法，其特征在于，所述步驟S3的具體過程如下：

S3.1：設置權重初始化方式為高斯分布；

S3.2：設置設置批量大小為64；

S3.3：優化器采用Adam，采用反向梯度傳播法進行模型權重更新。