【技术实现步骤摘要】
一种基于改进Faster RCNN算法的圆盘耙片表面缺陷检测方法
[0001]本专利技术属于图像处理检测与计算机视觉
,更具体地,涉及一种基于改进Faster RCNN算法的圆盘耙片表面缺陷检测方法。
技术介绍
[0002]圆盘耙片是农机上大量消耗的零件,作为优质的机械化保护性耕作主要采用的关键部件,具有松碎阀土、平整地表、切断秸秆、粉碎根茬、混和作物残茬与土壤等作用。耙片作为圆盘耙及圆盘犁的主要工作部件和易损件,产品装配及社会需求量很大,并且废旧耙片不能回收利用,我国每年需要生产大量耙片。在耙片生产过程中,耙片表面可能会出现划痕、磕蹭、黑印等较多细小的缺陷,这些缺陷会影响耙片的使用寿命,而且买家对其也有较高的质量要求,因此有必要对耙片进行表面缺陷检测,对有缺陷的耙片进行相关处理,保证生产的圆盘耙片具有较高的质量。
[0003]目前,厂家仍依靠人工来检测耙片缺陷,人工检测存在一系列的问题:检测效率低,存在错检漏检,难以满足大批量的自动化生产需求等。因此,在实际生产过程中需要寻找一种检测效率高,准确度高的检测方式实现农机具耙片表面缺陷的自动检测,满足自动化生产需求。虽然目前尚没有针对圆盘耙片表面缺陷检测的研究,但与之类似的金属表面缺陷检测已经成为了热门的研究方向之一。
[0004]早期的金属表面缺陷检测主要使用了激光,超声波,磁场和红外等非视觉技术以及传统的机器视觉技术,这些技术易受环境因素的影响,鲁棒性较差,并且传统机器视觉技术需要根据不同的任务设计不同的特征。随着深度学习技术的发展,人们开始将 ...
【技术保护点】
【技术特征摘要】
1.一种基于改进Faster RCNN算法的圆盘耙片表面缺陷检测方法,其特征在于,包括以下步骤:S1:利用固定设备采集生产线上的圆盘耙片图像,挑选出带有缺陷的图像,并进行裁剪处理;S2:对采集好的图片进行标注、划分、增强处理,确定训练集和验证集;S3:对基于Faster RCNN算法的模型进行改进:采用K
‑
means聚类的方法来自动生成anchor的比例;选用Resnet50+FPN的结构作为backbone;在模型中加入CA注意力机制;使用ROI Align代替ROI Pooling;使用基于广义交并比EIOU设计的EIOU NMS代替传统Faster RCNN算法中第二阶段的非极大值抑制NMS;S4:Faster RCNN模型在训练时所使用的损失函数包括Fast RCNN的损失函数和RPN的损失函数,改进训练时的损失函数,使用SIOU Loss作为整个算法的回归损失;S5:对Faster RCNN模型进行训练;S6:将待检测的圆盘耙片图像输入训练好的模型中进行图像处理并输出一张新的图像,并用矩形框出识别的缺陷,标出缺陷类别以及概率。2.根据权利要求1所述的一种基于改进Faster RCNN算法的圆盘耙片表面缺陷检测方法,其特征在于,所述对采集好的图片进行标注、划分、增强处理,确定训练集和验证集具体包括:对裁剪之后的图片进行缺陷标注,并按照8:2的比例划分好训练集和验证集;对划分好的训练集和验证集进行数据增强处理,增加图片数量,得到最终的训练集和验证集。3.根据权利要求1所述的一种基于改进Faster RCNN算法的圆盘耙片表面缺陷检测方法,其特征在于,选用Resnet50+FPN的结构作为backbone包括:使用Resnet50+FPN来代替传统Faster RCNN算法中的VGG16作为backbone,对图像提取特征后得到5个不同尺寸的feature map。4.根据权利要求3所述的一种基于改进Faster RCNN算法的圆盘耙片表面缺陷检测方法,其特征在于,所述Resnet50网络结构的第一个卷积层和最后一个卷积层之后分别接入CA注意力机制。5.根据权利要求1至4任一项所述的一种基于改进Faster RCNN算法的圆盘耙片表面缺陷检测方法,其特征在于,改进训练时的损失函数具体包括:Faster RCNN模型在训练时所使用的损失函数包括Fast RCNN阶段的损失函数和RPN阶段的损失函数两部分组成,并且这两部分损失都包含分类损失和回归损失。即可得Faster RCNN模型所用损失函数为:L=L
RPN
+L
Fast RCNN
在RPN阶段((L
RPN
)),采用二分类的交叉熵损失作为分类损失;在Fast RCNN阶段((L
Fast RCNN
)),采用多分类交叉熵损失作为分类损失;两阶段均采用SIOU Loss作为回归损失,定...
【专利技术属性】
技术研发人员:程广河,王星星,张让勇,孙瑞瑞,程大全,
申请(专利权)人:齐鲁工业大学山东山科智控数字化科技有限公司,
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。