[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

本發明涉及一種基于多尺度轉移的充電器表面缺陷檢測方法，包括步驟：數據預處理；搭建稠密卷積神經網絡；搭建多尺度轉移模型；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。本發明的有益效果是：本發明使用基于稠密卷積神經網絡的多尺度轉移算法，搭建了一種端到端的多尺度目標檢測模型，應用多特征匹配的方法，可以對電子設備的充電器外表面進行自動且高效的缺陷目標檢測；圖像級標簽缺省的手機屏幕缺陷檢測對于工業應用具有重大應用價值，可以節約企業生產成本，并保護消費者權益。

技術領域

本發明屬于缺陷檢測技術領域，具體涉及一種基于多尺度轉移的充電器表面缺陷檢測方法，用以解決充電器表面缺陷檢測問題。

背景技術

隨著計算機技術、通信技術以及互聯網技術的高速發展，電子設備在人們生產生活中所扮演的角色越來越重要，而配套的充電器更是不可或缺的。為了保護消費者權益，以及提高品牌價值，防止存在缺陷的充電器流入市場，在充電器出廠前，對充電器的質量進行檢測是必需的過程，而對其外觀表面的缺陷檢測則是一個研究重點。

傳統的檢測手段是在生產線上安排工人值守，工人對生產線上的屏幕用肉眼逐一進行檢測。但是這種手段存在檢測效率慢、人工成本高、缺乏統一的判斷標準等缺點。

近年來，隨著機器學習、深度學習在計算機視覺、模式識別等領域大放異彩，對于充電器外觀表面缺陷檢測又提供了另外的強有力的方法。目標檢測要求在給定的圖像中定位所要提取的對象類別的所有實例，基于卷積神經網絡(CNN)的檢測框架在速度和精度方面取得了顯著進展。在其中，尺度問題是缺陷目標檢測的核心問題，為了檢測不同尺度的目標，一種基本策略是利用圖像特征圖譜獲取不同尺度的特征。而由于CNN中每一層的感受野是固定的，所以充電器缺陷圖像中固定的感受野與不同尺度的缺陷存在不一致。并且，淺層特征圖有小的感受野，用于檢測小的目標，而深層特征地圖有大的感受野，用于檢測大的缺陷目標。然而，淺層特征的語義信息較少，這可能會影響小目標的缺陷檢測的性能。

發明內容

本發明的目的是克服現有技術中的不足，提供一種基于多尺度轉移的充電器表面缺陷檢測方法。

這種基于多尺度轉移的充電器表面缺陷檢測方法，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。

作為優選，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；