一种基于深度神经网络Mask R-CNN的缺陷检测算法制造技术

本发明专利技术公开了一种基于深度神经网络Mask R‑CNN的缺陷检测算法，属于缺陷检测技术领域，算法的具体步骤为：利用基于ResNet50的特征金字塔网络(FPN)提取特征，利用区域建议网络(RPN)提取缺陷区域的感兴趣区域(ROI)从而得到相应的锚框，利用全卷积神经网络(FCN)对ROI内部的像素类别进行预测以实现缺陷分割，最后通过网络的全连接层实现每个ROI所属类别和相应锚框坐标的预测，针对磁瓦表面缺陷检测场景，该算法对MaskR‑CNN中的特征金字塔网络(FPN)做了两点改进：在FPN中增加了C1模块，并取消C1模块特征提取层内的池化层；将CLAHE预处理模块加在FPN的特征提取层之前。实验结果表明，本发明专利技术的算法具有较强的泛化能力和鲁棒性，可以对磁瓦图像进行精确的缺陷分割。

【技术实现步骤摘要】
一种基于深度神经网络MaskR-CNN的缺陷检测算法
本专利技术涉及缺陷检测
，更具体地说，涉及一种基于深度神经网络MaskR-CNN的缺陷检测算法。
技术介绍
随着“中国制造2025”战略和“工业4.0”的提出，中国的传统制造业正面临产业转型和产业升级的巨大挑战，这推动了工业机器人、高精度数控机床和新能源汽车等产品的发展和广泛应用，对电机也提出了更高的性能指标，而磁瓦的表面质量直接影响着电机的使用性能。磁瓦表面缺陷检测技术具有检测效率高，成本低，可靠性较高等优点，对电机的生产具有十分重要的意义，对于企业的生存和发展也有促进作用。MaskR-CNN是何凯明在之前的FasterR-CNN的基础上提出的新的卷积神经网络，MaskR-CNN实现了实例分割。该方法不仅能有效地检测目标，还能对目标完成高质量的语义分割。其主要思路就是在原始FasterR-CNN基础上添加一个分支，以此来实现对目标的语义分割。MaskR-CNN应用特征金字塔网络(FPN)来改进特征提取网络，较好地解决了特征提取层语义信息丢失严重的问题，大幅度提升了小目标缺陷的本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络Mask R-CNN的缺陷检测算法，其特征在于：包括以下步骤：/nS1、利用基于ResNet50的特征金字塔网络(FPN)提取特征；/nS2、利用区域建议网络(RPN)提取缺陷区域的感兴趣区域(ROI)从而得到相应的锚框；/nS3、利用全卷积神经网络(FCN)对ROI内部的像素类别进行预测以实现缺陷分割；/nS4、最后通过网络的全连接层实现每个ROI所属类别和相应锚框坐标的预测。/n

【技术特征摘要】
1.一种基于深度神经网络MaskR-CNN的缺陷检测算法，其特征在于：包括以下步骤：
S1、利用基于ResNet50的特征金字塔网络(FPN)提取特征；
S2、利用区域建议网络(RPN)提取缺陷区域的感兴趣区域(ROI)从而得到相应的锚框；
S3、利用全卷积神经网络(FCN)对ROI内部的像素类别进行预测以实现缺陷分割；
S4、最后通过网络的全连接层实现每个ROI所属类别和相应锚框坐标的预测。


2.根据权利要求1所述的一种基于深度神经网络MaskR-CNN的缺陷检测算法，其特征在于：所述不同ROI的方法定义为如下公式：





3.根据权利要求2所述的一种基于深度神经网络MaskR-CNN的缺陷检测算法，其特征在于：所述k0是标准值，设置为4。


4.根据权利要求1所述的一种基于深度神经网络MaskR-CNN的缺陷检测算法，其特征在于：所述MaskR-CNN的特征提取层前加入有限制对比度自适应直方图均衡化的CLAHE预处理模块。


5.根据权利要求4所述的一种基于深度神经网络MaskR-CNN的缺陷检测算法，其特征在于：所述CLAHE预处理模块在预处理中，必须对每个小区域进行对比度限幅，同时CLAHE通过限制AHE算法的对比改善程度，克服AHE的过度放大噪声问题。


6.根据权利要求5所述的一种基于深度神经网络MaskR-CNN的缺陷检测算法，其特征在于：所述CLAHE预处理模块通过变换函数的斜度来放大给定像素周围的对...

【专利技术属性】
技术研发人员：郭龙源，段厚裕，周武威，欧先锋，张国云，吴健辉，鲁敏，滕书华，
申请(专利权)人：湖南理工学院，湖南拓视觉信息技术有限公司，
类型：发明
国别省市：湖南;43