[發明專利]一種鋁型材瑕疵檢測方法

在審

• 申請號: 202110479076.7
• 申請日: 2021-04-30
• 公開（公告）號: CN113012153A
• 公開（公告）日: 2021-06-22
• 發明（設計）人: 羅維平;周博
• 申請（專利權）人: 武漢紡織大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/00;G06N3/04;G06N3/08
• 代理公司: 南京中高專利代理有限公司 32333
• 代理人: 徐福敏

1.一種鋁型材瑕疵檢測方法，其特征在于，包括：

采用鋁型材表面瑕疵檢測模型對鋁型材表面進行檢測；

若檢測出瑕疵，則對所述瑕疵進行類別判斷和回歸定位；

其中，所述鋁型材表面瑕疵檢測模型以Resnet-101為主干網絡；所述鋁型材表面瑕疵檢測模型采用特征金字塔網絡和形變卷積算法，用于對所述鋁型材表面的不規則瑕疵進行針對性檢測；所述鋁型材表面瑕疵檢測模型采用ROI Align提取特征圖算法及改進候選框生成網絡損失函數對微小瑕疵進行定位。

2.根據權利要求1所述的鋁型材瑕疵檢測方法，其特征在于，所述鋁型材表面瑕疵檢測模型采用ROI Align提取特征圖算法及改進候選框生成網絡損失函數對微小瑕疵進行定位，包括：

用雙線性內插法計算浮點坐標的像素值；

所述ROIAlign提取特征圖算法的反向傳播計算公式如下：

其中，x_i為池化前的特征像素點，y_ij為池化后的第i個感興趣區的第j個點，i*(i,j)為y_ij像素點來源，Δh為x_i與x_i*(i,j)的橫坐標差值，Δw為x_i與x_i*(i,j)的縱坐標差值。

3.根據權利要求1所述的鋁型材瑕疵檢測方法，其特征在于，所述形變卷積算法為所述特征金字塔網絡的最后一個卷積核。

4.根據權利要求3所述的鋁型材瑕疵檢測方法，其特征在于，所述特征金字塔網絡通過對原始采樣點增加偏置量ΔP_n，使所述原始采樣點達到預設點位；其中，所述偏置量ΔP_n為{ΔP_n|n＝1，2，...，N}，N＝|R|。

5.根據權利要求4所述的鋁型材瑕疵檢測方法，其特征在于，在所述形變卷積算法中，每一個位置的可形變卷積計算公式如下：

其中，P_m為卷積核的每一個位置，x為特征圖，W為采樣點權重；

對輸出的像素增加一個偏置量ΔP_uv，生成可偏置矩陣；

通過全連接層將所述可偏置矩陣進行相加，得到形變卷積池化模型：

其中，P₀是感興趣區域區域左上角的點，n_uv是u行v列的總像素數；γ為標量經驗參數，w和h分別為檢測圖片的寬和高。

6.根據權利要求1所述的鋁型材瑕疵檢測方法，其特征在于，所述特征金字塔網絡還包括噪聲過濾算法：將瑕疵樣本特征圖與正常樣本特征圖進行疊加，將疊加后的特征圖乘以預設的卷積核得到經過過濾后輸出的特征圖：

其中，M_q為所述經過過濾后輸出的特征圖；表示所述瑕疵樣本特征圖，表示所述正常樣本特征圖；q為通道數；C_q為1×1的卷積核。

7.根據權利要求1所述的鋁型材瑕疵檢測方法，其特征在于，所述改進候選框生成網絡損失函數采用兩階段損失函數，計算公式如下：

其中，

t為初始感興趣區域；a_t為所述初始感興趣區域與目標的重合概率；N_e為類別數；N_s為回歸框個數；x_d為目標框中心點的橫坐標，y_d為所述目標框中心點的縱坐標，l為所述目標框的長，h為所述目標框的長；x_t為樣本標定框中心點的橫坐標，y_t為所述樣本標定框中心點的縱坐標，l_t為所述樣本標定框的長，h_t所述樣本標定框的長；為對應樣本標定框b_t的真實標簽；λ為權重參數；為樣本類別標簽；為所述初始感興趣區域與目標重合時的回歸函數。