一种基于Faster R-CNN的铝材缺陷检测方法技术

本发明专利技术特别涉及一种基于Faster R‑CNN的铝材缺陷检测方法。该基于Faster R‑CNN的铝材缺陷检测方法，结合FPN网络，加强特征表达，较好的保留图像的特征信息；采用Deformable Convolution可变形卷积来提升对不同形状的缺陷框的处理能力；通过Contextual ROI Pooling方法，在提取候选框ROI特征时，引入上下文信息，来更好的确定候选框的信息。该基于Faster R‑CNN的铝材缺陷检测方法，解决了工业缺陷检测问题中样本不平衡，缺陷框多变的问题，能够在给定的铝材图片中定位出铝材缺陷的位置，并准确识别出缺陷的类型，极大的提高了检测和标注的准确率。

A method of aluminum defect detection based on faster r-cnn

【技术实现步骤摘要】
一种基于FasterR-CNN的铝材缺陷检测方法
本专利技术涉及工业缺陷检测
，特别涉及一种基于FasterR-CNN的铝材缺陷检测方法。
技术介绍
铝型材的生产是工业生产中的重要一环。在铝型材的实际生产过程中，由于各方面因素的影响，铝型材表面会产生裂纹、起皮、划伤等瑕疵，这些瑕疵会严重影响铝型材的质量。为保证产品质量，需要人工进行肉眼目测。然而，铝型材的表面自身会含有纹路，与瑕疵的区分度不高。传统人工肉眼检查十分费力，不能及时准确的判断出表面瑕疵，质检的效率难以把控。近年来，深度学习在图像识别等领域取得了突飞猛进的成果。铝型材制造商迫切希望能够采用最新的AI技术来革新现有质检流程，自动完成质检任务，以减少漏检发生率，提高产品的质量，使铝型材产品的生产管理者彻底摆脱无法全面掌握产品表面质量的状态。但是，若要实现铝材的自动化质量检测，首先要解决的问题是需要在给定的铝材图片中定位出铝材缺陷的位置，并准确识别出缺陷的类型。常见的铝材缺陷包括漆泡，喷流，脏点，漏底，擦花，桔皮，不导电，起坑等等。而其中漆泡，喷流的缺陷样本很少，脏点本文档来自技高网...

【技术保护点】
1.一种基于Faster R-CNN的铝材缺陷检测方法，其特征在于，包括以下几部分：/n第一，结合FPN网络，加强特征表达，较好的保留图像的特征信息；/n第二，采用Deformable Convolution可变形卷积来提升对不同形状的缺陷框的处理能力；/n第三，通过Contextual ROI Pooling方法，在提取候选框ROI特征时，引入上下文信息，来更好的确定候选框的信息。/n

【技术特征摘要】
1.一种基于FasterR-CNN的铝材缺陷检测方法，其特征在于，包括以下几部分：
第一，结合FPN网络，加强特征表达，较好的保留图像的特征信息；
第二，采用DeformableConvolution可变形卷积来提升对不同形状的缺陷框的处理能力；
第三，通过ContextualROIPooling方法，在提取候选框ROI特征时，引入上下文信息，来更好的确定候选框的信息。


2.根据权利要求1所述的基于FasterR-CNN的铝材缺陷检测方法，其特征在于，包括以下步骤：
第一步，数据增广
将原始质检图片进行水平和竖直翻转，翻转之后，再将候选框变换到对应位置，从而构建出一批新的数据，作为训练数据；
第二步，搭建基本架构
采用二阶检测器FasterR-CNN作为基本架构；
第三步，特征提取
采用特征金字塔结构对FasterR-CNN网络进行改进，在ROIPooling层前利用FPN网络对图片进行特征提取；
第四步，可变形的卷积计算
采用可变形的卷积，在卷积计算的过程中能够自动地计算每个点的偏移，从而从最合适的地方取特征进行卷积；
第五步，提取候选框ROI特征
采用ContextualROIPooling方法，引入context上下文信息，帮助ROI根据图片信息更精确的生成候选框，同时还能提升图片背景信息干扰大的缺陷检测准确率。


3.根据权利要求2...

【专利技术属性】
技术研发人员：安程治，李锐，于治楼，金长新，
申请(专利权)人：山东浪潮人工智能研究院有限公司，
类型：发明
国别省市：山东;37