本发明专利技术涉及一种基于深度学习的刹车盘外表面缺陷检测方法及系统，所述方法包括如下步骤：获取样本图像集；构建目标检测模型，所述目标检测模型包括特征提取模块、特征融合模块和检测模块；特征提取模块包括主干网络、辅助网络和融合单元，主干网络和辅助网络均包括若干层用于提取图像特征的提取层；利用样本图像集训练所述目标检测模型；获取待测物品图像；将待测物品图像输入至训练好的目标检测模型，特征提取模块输出由待测物品图像得到的若干个特征图至融合模块，融合模块输出由所述若干个特征图得到的若干个多尺度特征图至检测模块，检测模块输出待测物品图像中的目标类型和目标位置。标位置。标位置。
【技术实现步骤摘要】
一种基于深度学习的刹车盘外表面缺陷检测方法及系统
[0001]本专利技术涉及一种基于深度学习的刹车盘外表面缺陷检测方法及系统，属于刹车盘缺陷检测领域。
技术介绍
[0002]汽车刹车盘常见的外观缺陷有划伤、裂纹、磕碰伤等多种类别，这些缺陷是影响汽车刹车系统可靠性及刹车盘使用寿命的重要因素之一。为了保证汽车刹车系统正常工作及刹车盘的正常工作年限，保护汽车消费者的人身和财产安全，需要在生产过程中对刹车盘缺陷进行严格的排查，以严格控制刹车盘的外观缺陷。
[0003]目前在生产过程中，刹车盘外观缺陷的检测方法分为人工检测法和机器视觉检查两种。人工检查法使用肉眼或放大镜对刹车盘进行逐一检查，这种方法存在费时费力、易疲劳、重复性差等缺点。机器视觉检查的主流算法为目标检测算法，但是现的目标检测算法主要是针对自然图像进行设计和搭建，在特征提取过程中进行一系列的卷积和下采样计算，特征图分辨率不断下降。而低分辨率的特征图丢失了大量细节信息，在存在大量小目标缺陷的刹车盘外观检测中，会出现存在非常明显的漏检、误检问题。
[0004]公开号为CN111415329A的专利《一种基于深度学习的工件表面缺陷检测方法》公开了一种基于深度学习的工件表面缺陷检测方法，具体为：采集不同背景及光照条件下的工件图像；对采集的工件图像进行预处理；构建深度卷积神经网络模型获得6个不同层的特征图；采用特征金字塔特征图进行多尺度特征融合预测，使用K
‑
means聚类算法得到产生4个anchor box预测目标边界框，使用交叉熵损失函数预测类别；通过非极大值抑制算法去除冗余的预测边界框；输出工件表面缺陷的位置信息以及类别。但未对提取的特征图进行进一步地加强。
技术实现思路
[0005]为了解决上述现有技术中存在的问题，本专利技术提供一种基于深度学习的刹车盘外表面缺陷检测方法及系统，提出了一种新的特征提取方法和特征提取模块，利用提取层提取图像特征并利用融合单元融合同层提取层输出的图像特征，实现图像特征的互补，能提取到更多小目标特征，从而提高识别精度，大幅降低小目标漏检率和误检率，适用于检测刹车盘外表面的缺陷和检测烟包切层断面异物等小目标检测领域。
[0006]本专利技术的技术方案如下：
[0007]技术方案一：
[0008]一种基于深度学习的刹车盘外表面缺陷检测方法，包括如下步骤：
[0009]获取样本图像集，样本图像为标注有目标类型和目标位置的物体图像；
[0010]构建目标检测模型，所述目标检测模型包括特征提取模块、特征融合模块和检测模块；特征提取模块包括主干网络、辅助网络和融合单元，主干网络和辅助网络均包括若干层用于提取图像特征的提取层；
[0011]利用样本图像集训练所述目标检测模型；
[0012]获取待测物品图像；将待测物品图像输入至训练好的目标检测模型，特征提取模块输出由待测物品图像得到的若干个特征图至融合模块，融合模块输出由所述若干个特征图得到的若干个多尺度特征图至检测模块，检测模块输出待测物品图像中的目标类型和目标位置；
[0013]其中，所述若干个特征图包括由融合单元对主干网络和辅助网络同层提取层输出的图像特征进行特征融合得到的特征图，以及将该特征图输入至主干网络和/或辅助网络下一提取层得到的新的特征图。
[0014]进一步的，所述主干网络包括a层提取层，辅助网络包括b层提取层，a＞b＞0；所述特征提取模块输出由待测物品图像得到的若干个特征图至特征融合模块，具体为：
[0015]S1：待测物品图像分别输入至主干网络和辅助网络的第一层提取层；
[0016]S2：融合单元对主干网络和辅助网络同层提取层输出的图像特征进行特征融合，得到特征图；若存在主干网络和辅助网络下一层提取层，则将特征图分别输入至主干网络和辅助网络下一层提取层；否则，将特征图输入至主干网络下一层提取层；
[0017]S3：重复步骤S2，直至主干网络第a层提取层输出特征图；
[0018]S4：从生成的所有特征图中选出若干个特征图输出至特征融合模块。
[0019]进一步的，所述提取层包括若干个卷积层、批标准化层和激活层。
[0020]进一步的，所述激活层中采用ACON类激活函数。
[0021]进一步的，还包括：利用样本图像集生成若干个锚框；
[0022]检测模块利用所述若干个锚框，分别检测所述若干个多尺度特征图，输出待测物品图像中的目标类型和目标位置。
[0023]进一步的，所述利用样本图像集生成若干个锚框，具体为：
[0024]通过K
‑
means++算法对样本图像集中的若干个缺陷信息进行聚类分析；其中，在选择聚类中心时：随机选第一个聚类中心，再利用轮盘赌算法，选择剩余聚类中心。
[0025]进一步的，所述样本图像具体为标注有缺陷类型和缺陷位置的刹车盘外表面图像；利用所述样本图像集训练目标检测模型，使目标检测模型输出待测刹车盘外表面图像中的缺陷类型和缺陷位置。
[0026]技术方案二：
[0027]一种基于深度学习的刹车盘外表面缺陷检测系统，包括图像采集装置，搭载有目标检测模型的检测装置；所述目标检测模型包括特征提取模块、特征融合模块和检测模块；所述特征提取模块包括主干网络、辅助网络和融合单元，主干网络和辅助网络均包括若干层用于提取图像特征的提取层；融合单元用于对主干网络和辅助网络同层提取层输出的图像特征进行特征融合，得到特征图，以及将该特征图输入至主干网络和/或辅助网络下一提取层得到的新的特征图；
[0028]所述图像采集设备用于获取待测物品图像，并将待测物品图像发送至检测装置；
[0029]所述检测装置用于接收所述待测物品图像，并将所述待测物品图像输入至目标检测模型；
[0030]特征提取模块用于输出由待测物品图像得到的若干个特征图至融合模块；融合模块用于输出由所述若干个特征图得到的若干个多尺度特征图至检测模块；检测模块用于输
出待测物品图像中的目标类型和目标位置。
[0031]进一步的，所述主干网络包括a层提取层，辅助网络包括b层提取层，a＞b＞0。
[0032]进一步的，所述提取层包括若干个卷积层、批标准化层和激活层。
[0033]本专利技术具有如下有益效果：
[0034]1、本专利技术提出了一种新的特征提取方法：构建包含若干个提取层的主干网络和辅助网络，利用提取层提取图像特征并利用融合单元融合同层提取层输出的图像特征，实现图像特征的互补，能提取到更多小目标特征，从而提高识别精度，大幅降低小目标漏检率和误检率，适用于检测刹车盘外表面的缺陷和检测烟包切层断面异物等小目标检测领域。
[0035]2、本专利技术利用ACON类激活函数训练参数p1(x)和p2(x)以调整激活函数表达形式，使目标检测模型更适合于输入的训练数据，增强目标检测模型拟合能力；通过训练参数β来控制是否激活神经元(β为0，即不激活)，让目标检测模型可以在非线性(激活本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的刹车盘外表面缺陷检测方法，其特征在于，包括如下步骤：获取样本图像集，样本图像为标注有目标类型和目标位置的物体图像；构建目标检测模型，所述目标检测模型包括特征提取模块、特征融合模块和检测模块；特征提取模块包括主干网络、辅助网络和融合单元，主干网络和辅助网络均包括若干层用于提取图像特征的提取层；利用样本图像集训练所述目标检测模型；获取待测物品图像；将待测物品图像输入至训练好的目标检测模型，特征提取模块输出由待测物品图像得到的若干个特征图至融合模块，融合模块输出由所述若干个特征图得到的若干个多尺度特征图至检测模块，检测模块输出待测物品图像中的目标类型和目标位置；其中，所述若干个特征图包括由融合单元对主干网络和辅助网络同层提取层输出的图像特征进行特征融合得到的特征图，以及将该特征图输入至主干网络和/或辅助网络下一提取层得到的新的特征图。2.根据权利要求1所述的一种基于深度学习的刹车盘外表面缺陷检测方法，其特征在于，所述主干网络包括a层提取层，辅助网络包括b层提取层，a＞b＞0；所述特征提取模块输出由待测物品图像得到的若干个特征图至特征融合模块，具体为：S1：待测物品图像分别输入至主干网络和辅助网络的第一层提取层；S2：融合单元对主干网络和辅助网络同层提取层输出的图像特征进行特征融合，得到特征图；若存在主干网络和辅助网络下一层提取层，则将特征图分别输入至主干网络和辅助网络下一层提取层；否则，将特征图输入至主干网络下一层提取层；S3：重复步骤S2，直至主干网络第a层提取层输出特征图；S4：从生成的所有特征图中选出若干个特征图输出至特征融合模块。3.根据权利要求1所述的一种基于深度学习的刹车盘外表面缺陷检测方法，其特征在于，所述提取层包括若干个卷积层、批标准化层和激活层。4.根据权利要求3所述的一种基于深度学习的刹车盘外表面缺陷检测方法，其特征在于，所述激活层中采用ACON类激活函数。5.根据权利要求1所述的一种基于深度学习的刹车盘外表面缺陷检测方法，其特征在于，还包括：利用样本图像...
【专利技术属性】
技术研发人员：陈成军，邹剑，沈飞翔，张超，
申请(专利权)人：烟台朗文汽车零部件有限公司，
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。