[發明專利]一種基于多尺度轉移的充電器表面缺陷檢測方法

在審

• 申請號: 202110403328.8
• 申請日: 2021-04-15
• 公開（公告）號: CN113096102A
• 公開（公告）日: 2021-07-09
• 發明（設計）人: 張成英;李緗珍
• 申請（專利權）人: 深圳市玻爾智造科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08
• 代理公司: 杭州九洲專利事務所有限公司 33101
• 代理人: 張羽振

1.一種基于多尺度轉移的充電器表面缺陷檢測方法，其特征在于，包括以下步驟：

步驟1、數據預處理：在輸入模型前，將充電器外表面缺陷圖像分別進行尺度放縮、直方圖均衡、均值平滑和圖像校正；

步驟2、搭建稠密卷積神經網絡：將步驟1預處理得到的充電器外表面缺陷圖像輸入稠密卷積神經網絡中進行特征提取，并在每一個稠密單元層中獲取不同的特征；

步驟3、搭建多尺度轉移模型；將步驟2中每一個卷積單元層不同尺度的輸出特征輸入多尺度轉移模型中，獲取不同尺度的特征圖，結合不同分辨率的特征圖進行多尺度的缺陷目標檢測；

步驟3.1、利用稠密卷積神經網絡的網絡結構得到強語義特征映射，通過concat操作將底層特征直接轉移到稠密卷積神經網絡的頂層；

步驟3.2、在多尺度轉移模型中使用平均池化層來獲得低分辨率的特征圖；使用尺度轉移層技術獲得高分辨率的特征圖；將多尺度轉移模型直接嵌入稠密卷積神經網絡中，從稠密卷積神經網絡的最后一個稠密卷積單元層得到不同尺度的特征圖；

步驟3.3、利用步驟3.2所得不同尺度的特征圖的特征來映射構造多尺度缺陷目標檢測模型；

步驟4、將步驟3中得到的不同尺度的特征圖輸入多尺度缺陷目標檢測模型中，多尺度缺陷目標檢測模型中的多尺度缺陷目標檢測網絡由分類子網絡和邊界回歸子網絡組成；分類子網絡對多尺度缺陷目標進行目標分類，邊界回歸子網絡對多尺度缺陷目標進行邊界位置回歸分析。

2.根據權利要求1所述基于多尺度轉移的充電器表面缺陷檢測方法，其特征在于，步驟1具體包括如下步驟：

步驟1.1、將充電器外表面缺陷圖像進行尺度放縮，達到設定的尺度大小；

步驟1.2、使用直方圖均衡將充電器外表面缺陷圖像變換為均勻分布的形式；統計均勻分布形式下充電器外表面缺陷圖像中各個像素占全部像素的比例；

步驟1.3、使用均值平滑方式對充電器外表面缺陷圖像進行平滑處理；

步驟1.4、采用參考點匹配進行缺陷圖像校正并計算旋轉參數。

3.根據權利要求1所述基于多尺度轉移的充電器表面缺陷檢測方法，其特征在于，步驟2具體包括如下步驟：

步驟2.1、將卷積神經網絡的每一個卷積單元替換成3個3×3卷積層和一個2×2平均池化層；將第一個卷積層步長設置為2，另外兩個卷積層步長為1，將三個卷積層的輸出通道設置為64；所述卷積神經網絡的每一個卷積單元由步長為2的7×7卷積層和步長為2的3×3最大池化層組成；

步驟2.2、將若干步驟2.1所述的卷積單元進行線性堆疊，搭建完整的稠密卷積神經網絡；

步驟2.3、將預處理后的充電器外表面缺陷圖像輸入稠密卷積神經網絡的第一個卷積單元層中，獲得該單元層的圖像特征；

步驟2.4、卷積神經網絡第一單元層之后的每一個卷積單元層的輸入為前面所有卷積單元層的輸出，每一個卷積單元層均輸出經過本單元的特征。