[發(fā)明專利]一種基于無錨點機制的螺絲脫落檢測方法

在審

• 申請?zhí)枺?/td>: 202111588218.X
• 申請日: 2021-12-23
• 公開（公告）號: CN114463255A
• 公開（公告）日: 2022-05-10
• 發(fā)明（設計）人: 姚楠;吳曦;王真;趙雨希;劉子全;單光瑞;秦劍華;潘建亞;朱雪瓊;薛海;路永玲
• 申請（專利權）人: 國網(wǎng)江蘇省電力有限公司電力科學研究院;國網(wǎng)江蘇省電力有限公司;江蘇省電力試驗研究院有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08
• 代理公司: 蘇州市中南偉業(yè)知識產(chǎn)權代理事務所(普通合伙) 32257
• 代理人: 劉卉

本發(fā)明公開了一種基于無錨點機制的螺絲脫落檢測方法，具體步驟如下：步驟1：采用骨干網(wǎng)絡提取特征圖，并輸出一組熱圖；步驟2：將熱圖級聯(lián)角點池化，使用CornerNet生成top?k個角點框；步驟3：將熱圖中心池化，構建CenterNet生成中心關鍵點的熱圖輸出；步驟4：為每個邊界框定義中心區(qū)域，并檢查中心區(qū)域是否包含中心關鍵點；步驟5：盤算邊界框的中心區(qū)域是否檢測到中心關鍵點；步驟6：計算損失函數(shù)，采用Adam優(yōu)化器優(yōu)化CenterNet網(wǎng)絡。本發(fā)明既能捕捉目標的邊界信息也能兼顧目標的內(nèi)部信息，解決了CornerNet缺乏對裁剪區(qū)域的探索問題，即以最小的成本探測每個提取區(qū)域內(nèi)的特征，使得系統(tǒng)能有效檢測螺絲脫落，并且擁有良好的檢測精度和回調(diào)率。

技術領域

本發(fā)明涉及計算機視覺領域，尤其涉及一種基于無錨點機制的螺絲脫落檢測方法。

背景技術

目標檢測(Object Detection)是計算機視覺領域的一項基本課題。近年來隨著深度學習技術的迅速發(fā)展，目標檢測算法也從傳統(tǒng)的手工特征算法轉(zhuǎn)變?yōu)榛谏疃壬窠?jīng)網(wǎng)絡的檢測方法。從最初2013年提出的R-CNN、OverFeat，到后面的Fast/Faster R-CNN，SSD，YOLO系列，再到2018年最近的Pelee。在短短的五年時間里，基于深度學習的目標檢測已經(jīng)出現(xiàn)了許多優(yōu)秀的算法，這些算法在開放目標檢測數(shù)據(jù)集上的檢測效果和性能都非常出色。

目前最主流的目標檢測方法之一是anchor-based方法，它放置了一組具有預定義大小的矩形，并在先驗目標的幫助下將它們回歸到所需的位置。這些方法往往需要大量的錨，每個錨定框的大小和長寬比需要手動設計，這不利于邊界框分類任務。

為了克服anchor-based的方法的缺點，Law等提出了一種基于關鍵點的目標檢測流水線CornerNet。在CornerNet中，為了檢測角點生成兩個熱圖：左上角熱圖和右下角熱圖。熱圖表示不同類別關鍵點的位置，并為每個關鍵點分配置信度分數(shù)。

人工檢查螺絲是傳統(tǒng)的手段，然而由于螺絲的分散分布和螺絲規(guī)格的多樣性，螺絲檢查變得更加困難。近年來，無人機輸電線路檢測以其高安全性和高效率在電力系統(tǒng)中得到了推廣，它還可以與機器學習的目標檢測技術相結合，實現(xiàn)智能處理。由于輸電線路的復雜環(huán)境和各種結構，基于視覺的螺絲脫落檢測會受到不可預測的復雜背景變化和線路其他部件屏蔽所造成的干擾的影響，導致目標信息和非目標信息之間的極度不平衡，使得航空圖像中螺絲脫落的缺陷特征分類更具挑戰(zhàn)性。

發(fā)明內(nèi)容

為解決現(xiàn)有技術中的不足，本發(fā)明提供一種基于無錨點機制的螺絲脫落檢測方法，在角點對的基礎上加入中心關鍵點組成三元組進行檢測，既能捕捉目標的邊界信息也能兼顧目標的內(nèi)部信息，解決了CornerNet缺乏對裁剪區(qū)域的探索問題，即以最小的成本探測每個提取區(qū)域內(nèi)的特征，使得系統(tǒng)能有效檢測螺絲脫落，并且擁有良好的檢測精度和回調(diào)率。

本發(fā)明中主要采用的技術方案為：

一種基于無錨點機制的螺絲脫落檢測方法，具體步驟如下：

步驟1：采用骨干網(wǎng)絡提取特征圖，并輸出一組熱圖；

步驟2：將熱圖級聯(lián)角點池化，使用CornerNet生成top-k個角點框，并計算角點框的置信度分數(shù)；

步驟3：步驟3：將熱圖中心池化，構建CenterNet生成中心關鍵點的熱圖輸出并配置置信度分數(shù)，根據(jù)中心關鍵點的置信度分數(shù)選擇角點框的中心關鍵點；

步驟4：使用相應的偏移將步驟3得到的中心關鍵點重新映射到輸入圖像，為每個邊界框定義中心區(qū)域，并檢查中心區(qū)域是否包含中心關鍵點，其中，選中的中心關鍵點的類標簽與邊界框的類標簽相同；