一种小目标缺陷的检测方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术涉及小目标缺陷检测技术领域，具体涉及一种小目标缺陷的检测方法、装置、电子设备及存储介质，该检测方法包括以下步骤：利用卷积神经网络对待检测图像进行向前传播提取特征，得到多个保存有小目标信息的高层特征图和底层特征图；通过跳跃式融合方式，将多个所述高层特征图与相应的底层特征图融合得到融合层；预测在每个所述融合层上的预测边界框的类别置信度和坐标偏移；通过非极大值抑制的方法对所述预测边界框进行筛选得到目标预测框。本发明专利技术实施例通过将高层特征图与底层特征图融合及多尺度预测可以充分利用卷积神经网络中的不同特征图提取的各种丰富的互补信息，从而提高小目标检测的精度。

Detection method, device, electronic equipment and storage medium of small target defect

【技术实现步骤摘要】
一种小目标缺陷的检测方法、装置、电子设备及存储介质
本专利技术涉及小目标缺陷检测
，具体涉及一种小目标缺陷的检测方法、装置、电子设备及存储介质。
技术介绍
工件缺陷检测(Defectdetection)是工业制造的重要组成部分，也是工件价值的重要保障。传统的工件检测主要依靠人工观察，受主观意识影响较大，而且效率较低。尤其是一些微小缺陷，靠人眼无法完成精确的在线检测。近年来，随着强大的卷积神经网络的快速发展，目标检测的性能也有了很大提高。现阶段的目标检测方法主要分为两种：一阶段检测器(One-stagedetector)和两阶段检测器(Two-stagedetector)。两阶段检测器(如FasterRCNN、FPN、MaskRCNN等)主要分为候选框提取和分类定位两个步骤，检测精度高但是达不到实时的要求。为了提高检测速度，一阶段检测器(如SSD、YOLO系列)直接在特征图上预测边界框并进行分类和位置回归。专利技术人在实践中，发现上述现有技术存在以下缺陷：通常将小于32×32像素的缺陷称为小目标缺陷。针对小目标缺陷，本文档来自技高网...

【技术保护点】
1.一种小目标缺陷的检测方法，其特征在于，该检测方法包括以下步骤：/n利用卷积神经网络对待检测图像进行向前传播提取特征，得到多个保存有小目标信息的高层特征图和底层特征图；/n通过跳跃式融合方式，将多个所述高层特征图与相应的底层特征图融合得到融合层；/n预测在每个所述融合层上的预测边界框的类别置信度和坐标偏移；/n通过非极大值抑制的方法对所述预测边界框进行筛选得到目标预测框。/n

【技术特征摘要】
1.一种小目标缺陷的检测方法，其特征在于，该检测方法包括以下步骤：
利用卷积神经网络对待检测图像进行向前传播提取特征，得到多个保存有小目标信息的高层特征图和底层特征图；
通过跳跃式融合方式，将多个所述高层特征图与相应的底层特征图融合得到融合层；
预测在每个所述融合层上的预测边界框的类别置信度和坐标偏移；
通过非极大值抑制的方法对所述预测边界框进行筛选得到目标预测框。


2.根据权利要求1所述的一种小目标缺陷的检测方法，其特征在于，所述将所述高层特征图与相应的底层特征图融合得到融合层的方法，包括以下步骤：
所述高层特征图经过三次反卷积操作进行上采样，得到反卷积图像；所述反卷积操作包括一反卷积层、一卷积层和一激活层；
在进行反卷积操作的同时，将所述底层特征图经过一卷积层和一激活层，得到卷积图像；所述反卷积图像与所述卷积图像具有相同的长、宽和通道数；
将所述反卷积图像与所述卷积图像进行融合，经过一卷积层和一激活层，得到所述融合层。


3.根据权利要求1或者2所述的一种小目标缺陷的检测方法，其特征在于，所述跳跃式融合方式为将所述高层特征图和分辨率N倍于所述高层特征图的所述底层特征图进行融合，所述N大于2。


4.根据权利要求1或2所述的一种小目标缺陷的检测方法，其特征在于，所述预测在每个所述融合层的边界框的类别置信度和坐标偏移的同时，预测在多个所述高层特征图上的边界框的类别置信度和坐标偏移。


5.一种小目标缺陷的检测装置，其特征在于，该检测装置包括：
特征提取模块，用于利用卷积神经网络对待检测图像进行向前传播提取特征，得到多个保存有小目标信息的高层特征图和底层特征图；
融合模...

【专利技术属性】
技术研发人员：徐明亮，吕培，崔丽莎，姜晓恒，张晨民，闫杰，李丙涛，王明纲，
申请(专利权)人：郑州金惠计算机系统工程有限公司，
类型：发明
国别省市：河南;41