【技术实现步骤摘要】
基于光微分与双通道神经网络的目标检测方法和装置
[0001]本专利技术涉及图像识别领域，尤其涉及一种基于光微分与双通道神经网络的目标检测方法和装置。
技术介绍
[0002]各类物品或产品在生产过程中很容易出现各类缺陷，这些缺陷可能会影响产品的使用寿命和可靠度，因此，表面缺陷检测是品质管控的关键环节。基于机器视觉的表面缺陷检测方法具有效率高、准确性高、实时性高等优点，在缺陷检测领域得到广泛的研究和应用。但是，由于缺陷类型繁多，特征难以定义，且只发生在生产过程中，使得基于计算机视觉的物品或产品表面缺陷检测方法遇到困难。并且，流行的卷积神经网络模型为了提高检测精度，大都具有复杂的网络结构和大量的模型参数，这使得卷积神经模型难以部署在硬件资源和计算资源有限的嵌入式系统上，也无法实现对物品或产品表面缺陷的有效检测。
技术实现思路
[0003]鉴于上述问题，本专利技术提出一种基于光微分与双通道神经网络的目标检测方法和装置。
[0004]本专利技术实施例提供一种基于光微分与双通道神经网络的目标检测方法，该方法包括：...
【技术保护点】
【技术特征摘要】
1.一种基于光微分与双通道神经网络的目标检测方法，其特征在于，该方法包括：获取待检测的产品预定位置的图片对应的待检测特征图，所述待检测的产品预定位置的图片对应的待检测特征图是利用带有二维光学微分器的图像采集装置采集的；利用双通道神经网络模型的第i个双通道融合特征层对第i
‑
1个多维度交互融合特征图进行特征提取和多维度交互特征融合以确定第i个多维度交互融合特征图，i≤N，N为所述双通道神经网络模型的双通道融合特征层的总层数，第0个多维度交互融合特征图为所述待检测特征图；利用所述双通道神经网络模型的输出层预测第N个多维度交互融合特征图的每一个像素点对应的预定数量的预测边界框；确定各个预测边界框的对应置信度；将大于预设置信阈值的置信度对应的预测边界框作为真实边界框以根据所述真实边界框确定目标位置。2.根据权利要求1所述的基于光微分与双通道神经网络的目标检测方法，其特征在于，每一个双通道融合特征层包括主路特征提取通道、支路特征提取通道和多维度交互特征融合层，所述利用双通道神经网络模型的第i个双通道融合特征层对第i
‑
1个多维度交互融合特征图进行特征提取和多维度交互特征融合以确定第i个多维度交互融合特征图，包括：利用所述第i个双通道融合特征层的主路特征提取通道确定第i
‑
1个多维度交互融合特征图的平均池化特征图；利用所述第i个双通道融合特征层的支路特征提取通道确定第i
‑
1个多维度交互融合特征图的最大池化特征图；利用所述第i个双通道融合特征层的多维度交互特征融合层多维度交互融合所述平均池化特征图和所述最大池化特征图以确定第i个多维度交互融合特征图。3.根据权利要求2所述的基于光微分与双通道神经网络的目标检测方法，其特征在于，通过以下公式确定第i个多维度交互融合特征图：S
i
＝σ(V
i
*avgpool(C
i
)+V
i
*maxpool(C
i
)+b
i
)S
i
表示第i个多维度交互融合特征图，σ表示sigmoid操作，avgpool()表示平均池化操作，maxpool()表示最大池化操作，V
i
表示第i个交互融合特征图C
i
对应的卷积核，b
i
表示预设的第i个偏置量；D
Hi
×
Wi
表示像素尺寸为H
i
×
W
i
的第i个融合特征图，δ表示softmax操作；Q
Hi
×
Wi
表示像素尺寸为H
i
×
W
i
的第i
‑
1个多维度交互融合特征图的平均池化特征图，P
Hi
×
Wi
表示像素尺寸为H
i
×
W
i
的第i
‑
1个多维度交互融合特征图的最大池化特征图，V
(h，w)
表示卷积核的中心位于第i
‑
1个多维度交互融合特征图的平均池化特征图或第i
‑
1个多维度交互融合特征图的最大池化特征图的第h行第w列。4.根据权利要求1所述的基于光微分与双通道神经网络的目标检测方法，其特征在于，所述预定数量的预测边界框的像素尺寸利用以下方法预先确定：
S10：从用于训练所述双通道神经网络模型的训练样本集的各个预先标记的标记边界框中随机确定所述预定数量的初始标记边界框；S20：将所述预定数量的初始标记边界框的面积作为所述预定数量的聚类中心面积；S30：分别计算各个预先标记的标记边界框的面积与所述预定数量的聚类中心面积之差；S40：将每一个预先标记的标记边界框和差值最小的聚类中心面积归为一类；S50：分别计算各个类别中各个标记边界框的面积平均值；S60：利用...
【专利技术属性】
技术研发人员：何良雨，崔健，刘彤，
申请(专利权)人：锋睿领创珠海科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。