[發明專利]一種用于表面缺陷檢測的正樣本擴充方法

有效

• 申請號: 202110504902.9
• 申請日: 2021-05-10
• 公開（公告）號: CN113159216B
• 公開（公告）日: 2023-04-28
• 發明（設計）人: 蔣三新;王新宇
• 申請（專利權）人: 上海電力大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/764;G06V10/82;G06T7/00;G06T7/62;G06N3/0464;G06N3/08
• 代理公司: 南京禹為知識產權代理事務所(特殊普通合伙) 32272
• 代理人: 王曉東

本發明公開了一種用于表面缺陷檢測的正樣本擴充方法，包括，將檢測器生成的目標框和檢測框的位置坐標輸入至非極大抑制單元，通過非極大抑制單元去除重疊檢測框，保留包含目標信息的檢測框；通過樣本判定單元篩選和判定負樣本、正樣本以及半正樣本；通過樣本采樣單元根據設定的正負樣本采樣比例對負樣本、正樣本以及半正樣本進行采樣；將全部采樣數據輸入至損失回歸單元，通過損失回歸單元進行檢測框分類損失訓練和檢測框定位回歸訓練，進而擴充正樣本；本發明可以更準確地衡量檢測框與目標框之間的重疊程度；同時，改善了正負樣本的不平衡問題，且可直接遷移應用至多種目標檢測網絡中，無需預訓練，通用性好。

技術領域

本發明涉及目標檢測的技術領域，尤其涉及一種用于表面缺陷檢測的正樣本擴充方法。

背景技術

近年來基于深度神經網絡的目標檢測技術發展迅速，并在諸多產品的缺陷檢測中得到了成功應用。兩階段的R-CNN(Region-Convolutional?Neural?Networks)目標檢測算法是當前主流的目標檢測方法之一。在兩階段檢測器中，第一階段使用區域提議網絡(Region?Proposal?Network，RPN)從密集的預判定邊界框(錨框)中篩選出若干候選框，然后第二階段使用興趣區域子網(RoI-subnet)對這些候選框進行目標分類和回歸定位。

在兩階段R-CNN方法中，當算法訓練時，只有少數與檢測目標高度重疊的錨框被作為正樣本分配給目標，其它絕大部分錨框則作為負樣本分配給背景，這將是導致錨框中正負樣本(目標和背景)數目的極大不平衡。這種正負樣本數目的不平衡將不僅使得算法訓練中收斂速度減緩，而且還將降低目標檢測的準確性。

當兩階段目標檢測算法用于產品表面缺陷檢測時，由于缺陷的獨特性質，如：缺陷類別不相容、缺陷尺寸大小不一等，使得分配給目標的錨框數量，也即正樣本數目，更加減少，加劇了錨框中正負樣本之間的不平衡，降低了網絡收斂速度與檢測精度。

發明內容

本部分的目的在于概述本發明的實施例的一些方面以及簡要介紹一些較佳實施例。在本部分以及本申請的說明書摘要和發明名稱中可能會做些簡化或省略以避免使本部分、說明書摘要和發明名稱的目的模糊，而這種簡化或省略不能用于限制本發明的范圍。

鑒于上述現有存在的問題，提出了本發明。

因此，本發明提供了一種用于表面缺陷檢測的正樣本擴充方法，能夠改善檢測框與目標框之間的匹配問題和正負樣本之間的不平衡問題。

為解決上述技術問題，本發明提供如下技術方案：包括，將檢測器生成的目標框和檢測框的位置坐標輸入至非極大抑制單元，通過所述非極大抑制單元去除重疊檢測框，保留包含目標信息的檢測框；通過樣本判定單元篩選和判定負樣本、正樣本以及半正樣本；通過樣本采樣單元根據設定的正負樣本采樣比例對所述負樣本、正樣本以及半正樣本進行采樣；將全部采樣數據輸入至損失回歸單元，通過所述損失回歸單元進行檢測框分類損失訓練和檢測框定位回歸訓練，進而擴充所述正樣本。

作為本發明所述的用于表面缺陷檢測的正樣本擴充方法的一種優選方案，其中：所述非極大抑制單元包括，所述非極大抑制單元在每個特征層內的檢測框之間，通過執行非極大抑制策略，以去除所述重疊檢測框；而后在相鄰的特征層內檢測框之間，所述非極大抑制單元通過衡量檢測框之間的相關性，并據此篩選與保留所述包含目標信息的檢測框。

作為本發明所述的用于表面缺陷檢測的正樣本擴充方法的一種優選方案，其中：所述樣本判定單元包括，將所有檢測框與目標框輸入至所述樣本判定單元，初始化所有檢測框為忽略樣本；遍歷所述檢測框與目標框，計算檢測框與目標框的重疊區域在目標框中所占比例COP_BGt、檢測框與目標框的重疊區域在檢測框中所占比例COP_GtB和面積比；根據COP_BGt的限定條件篩選并判定所述負樣本；根據COP_BGt、COP_GtB和面積比的限定條件篩選并判定所述正樣本與所述半正樣本。