一种基于改进非局部均值Faster-RCNN算法的纸张缺陷自动检测方法技术

本发明专利技术公开一种基于改进非局部均值Faster‑RCNN算法的纸张缺陷自动检测方法，来提升纸张缺陷检测效率。先是通过Faster‑RCNN进行训练，获取缺陷图像后，再引入非局部均值算法进行降噪处理，之后对缺陷图像进行精准定位及分割。在这个过程中，为了提高算法的效率与精度，对Faster‑RCNN中的RPN和RoI进行了改进，并对非局部均值算法进行了优化。实验表明，与现有的算法相比，本发明专利技术提出的算法有效提升了检测的准确度和效率，特别是近似背景情境下的精准度。

An automatic detection method of paper defects based on improved non local mean fast RCNN algorithm

【技术实现步骤摘要】
一种基于改进非局部均值Faster-RCNN算法的纸张缺陷自动检测方法
本专利技术属于纸张缺陷自动检测
，具体涉及一种基于改进非局部均值Faster-RCNN算法的纸张缺陷自动检测方法。
技术介绍
近年来，随着人民群众对环境保护要求的日益提高以及国家环保督查措施的有效推进，低碳环保、绿色发展成为造纸行业的指导思想。特别是在造纸过程中，能够有效的发现纸张的缺陷并及时地处理，正是节约成本、减少排放的有效途径。目前，造纸行业普遍使用自动图像检测方法来检测纸张质量，但由于算法固定，此类算法对纸张不规律、不规则的缺陷缺乏检测能力，特别是自主学习并智能检测的能力，识别效率不高、成本控制不佳。目前纸张制造过程中常见的质量缺陷有破损、污渍、褶皱、杂质等四种，如图1所示，由于各种缺陷多为随机出现，大小、形状、深浅等也各有不同，很难用固定的模型套用。近年来，在区域选择中构建目标检测算法已经成为主流的目标检测及识别模式，是把检测识别的任务分解简化，再通过自主学习来提升识别精确度，比较有代表性的算法有RCNN、Fast-RCNN和Faster-R本文档来自技高网...

【技术保护点】
1.一种基于改进非局部均值Faster-RCNN算法的纸张缺陷自动检测方法，包括纸张缺陷识别与定位、缺陷图像分割提取二个部分，其特征在于，具体的操作步骤为：/n(1)将标准化的纸张缺陷图像对Faster-RCNN算法模型进行深度训练，使Faster-RCNN算法模型具备对纸张缺陷识别、定位及分检的能力；/n(2)将训练好的Faster-RCNN算法模型对实际纸张进行检测，得到纸张缺陷图；/n(3)使用非局部均值NLM算法对已获取的纸张缺陷图进行降噪处理；/n(4)通过线性滤波算法对纸张缺陷图进行增强处理，增强纸张缺陷图边界与背景反差；/n(5)纸张缺陷图二值化，将缺陷从背景中分割提取出来，/n...

【技术特征摘要】
1.一种基于改进非局部均值Faster-RCNN算法的纸张缺陷自动检测方法，包括纸张缺陷识别与定位、缺陷图像分割提取二个部分，其特征在于，具体的操作步骤为：
(1)将标准化的纸张缺陷图像对Faster-RCNN算法模型进行深度训练，使Faster-RCNN算法模型具备对纸张缺陷识别、定位及分检的能力；
(2)将训练好的Faster-RCNN算法模型对实际纸张进行检测，得到纸张缺陷图；
(3)使用非局部均值NLM算法对已获取的纸张缺陷图进行降噪处理；
(4)通过线性滤波算法对纸张缺陷图进行增强处理，增强纸张缺陷图边界与背景反差；
(5)纸张缺陷图二值化，将缺陷从背景中分割提取出来，
上述采用Faster-RCNN算法模型对纸张进行检测时，包括对Faster-RCNN算法模型中的RPN和ROI两个卷积神经网络进行改进，
RPN卷积神经网络改进的具体操作为：对收集的纸张缺陷进行统计分析，发现其不规则形态宽高比在0.73，尺度有17种；
RoI卷积神经网络改进的具体操作为：1)把RoI投射到特征图区域内，计算过程不取整且保留小数；2)把RoI投射特征图的结果均匀地划分到一个2×2的区域里，在这些均分的区域里，每个区域都布置均匀采样点4个，对每个采样点进行双线性插值；3)每个采样点完成双线性插值后，对该区域里的4个采样点取最大值，即MaxPooling，最后产生2×2区域的特征量；
上述步骤(3)中非局部均值NLM算法中，权值w(t,s)表示为以下公式：



θ(t)表示t的中心像素值，是t的中值，代表其像素总和，[θ(t)-n(s)]2为权重块中心的灰度差平方；
上述步骤(4)中，线性滤波算法采取预遍历图像的...

【专利技术属性】
技术研发人员：李果，刘滔，张鹏，
申请(专利权)人：李果，
类型：发明
国别省市：安徽;34