[發明專利]一種基于triplet loss的工業缺陷二階段目標檢測網絡

在審

• 申請號: 202211512127.2
• 申請日: 2022-11-29
• 公開（公告）號: CN115761370A
• 公開（公告）日: 2023-03-07
• 發明（設計）人: 李浩程;胡秋桂;王遠揚;王宗輝;方正
• 申請（專利權）人: 蘇州鼎納自動化技術有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/82
• 代理公司: 蘇州翔遠專利代理事務所(普通合伙) 32251
• 代理人: 陸金星

本發明公開的一種基于triplet loss的工業缺陷二階段目標檢測網絡，包括收集缺陷數據集；訓練RPN網絡，生成目標候選框；將目標候選框調整到7*7，使用triplet loss訓練網絡；用訓練好的網絡評估待測缺陷圖片和各類缺陷的L2距離；選取距離最近的類別，作為最終的檢測結果；本申請利用原有缺陷數據集的圖片，提升模型對缺陷檢測的能力，降低過擬合風險，模型具備先驗知識，泛化能力強，降低模型對缺陷圖片數量的需求，少量缺陷圖片可完成缺陷檢出效果。

技術領域

本發明涉及人工智能領域，應用于工業缺陷檢測或計算機視覺，更具體的，涉及一種基于triplet loss的工業缺陷二階段目標檢測網絡。

背景技術

在缺陷檢測領域，深度學習正在起到越來越重要的作用。為了達到良好的檢測效果，現有的利用深度學習的方法必須依賴于大量的人工對特定缺陷進行標注，但是，在實際的工業生產中，缺陷類型是非常復雜和多變的，這就會導致基于深度學習的方法嚴重依賴于人工標注。

工業缺陷背景也是十分復雜多變，之前項目的缺陷標注往往難以應用于新的項目上。同時，工業缺陷大概率良率較高，收集到足夠多的樣本用于模型訓練存在難度。

一方面，工業生產中良率高，難以收集足夠多的樣本用于模型訓練，另一方面，缺少足夠的樣本，容易導致模型過擬合，缺少泛化性能，難以保證模型的性能和穩定性。

發明內容

為了解決上述至少一個技術問題，本發明提出了一種基于triplet loss的工業缺陷二階段目標檢測網絡，其中triplet loss表示三元損失函數。

本發明第一方面提供了一種基于triplet loss的工業缺陷二階段目標檢測網絡，包括如下步驟：

S1，收集缺陷數據集；

S2，訓練RPN網絡，生成目標候選框；

S3，將目標候選框調整到7*7，使用tripletloss訓練網絡；

S4，用訓練好的網絡評估待測缺陷圖片和各類缺陷的L2距離；

S5，選取距離最近的類別，作為最終的檢測結果。

本發明一個較佳實施例中，缺陷數據集包括鋼材表面NEU-CLS數據集、金屬表面KolektorSDD數據集、木材表面wooddefect database數據集、鋼材表面NEU-DET數據集、磁瓦表面Magnetic-tiledefect數據集、多種材質缺陷MVTecAD數據集或紋理缺陷DAGM2007數據集。

本發明一個較佳實施例中，訓練RPN網絡，生成目標候選框，具體包括：

使用res50作為backbone網絡，用于生成候選框；

判斷所有預設anchor屬于positive或negative并進行分類；

修正anchors得到較為準確的proposals。

本發明一個較佳實施例中，通過興趣域池化收集RPN生成的每個框的坐標，從featuremaps中提取出來，生成proposalsfeature maps送入后續全連接層進行分類和回歸。

本發明一個較佳實施例中，將提取到的proposalsfeature maps都resize成7*7大小，設置tripletloss損失函數；

損失函數公式：L＝max(d(a,p)-d(a,n)+margin,0)；

輸入是一個三元組，包括錨(Anchor)示例、正(Positive)示例、負(Negative)示例，通過優化錨示例與正示例的距離小于錨示例與負示例的距離，實現樣本之間的相似性計算；