一种基于改进FasterRCNN的表面缺陷检测方法技术

本发明专利技术公开了一种基于改进FasterRCNN的表面缺陷检测方法，包括以下步骤：S1：将数据集中的图片进行预处理进行数据增强；S2：对数据聚类并设定模型参数；S3：建立FasterRCNN模型框架；S4：训练及推理。本发明专利技术采用上述的一种基于改进FasterRCNN的表面缺陷检测方法，可根据训练数据集，实现端到端的训练，对金属表面缺陷进行检测，达到良好的精度和速度。达到良好的精度和速度。达到良好的精度和速度。

【技术实现步骤摘要】
一种基于改进Faster RCNN的表面缺陷检测方法


[0001]本专利技术涉及目标检测
，尤其是涉及一种基于改进Faster RCNN的表面缺陷检测方法。

技术介绍

[0002]在金属产品生产过程中，不可避免的会产生表面缺陷，这些缺陷影响产品的综合性能，降低成材率。传统的解决方案使用使用图像处理算法或人工设计分类器进行缺陷检测，这些方法难以解决缺陷形状多样、图像噪声等问题。
[0003]近年来随着人工智能技术的发展，使用目标检测模型进行缺陷检测检测，目标检测模型相对传统方法局限性小，能够定位并分类缺陷，2017年，Ren S提出以密集候选框检测的Faster RCNN为代表的two
‑
stage模型，该模型的核心是进行候选框的密集枚举和二次分类，因此对密集目标检测效果好，精度高，但是速度慢。同年，LIN TY提出了基于Faster RCNN的特征金字塔结构(FPN)，使主干网络的不同层输出多个特征图，使用1*1卷积对特征图通道对齐，从高层到低层使用最近邻插值法将两层之间的特征进行加和，再分别送入RPN网络，该方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进FasterRCNN的表面缺陷检测方法，其特征在于：包括以下步骤：S1：将数据集中的图片进行预处理进行数据增强；S2：对数据聚类并设定模型参数；S3：建立Faster RCNN模型框架；S4：训练及推理。2.根据权利要求1所述的一种基于改进Faster RCNN的表面缺陷检测方法，其特征在于：步骤S1中，数据增强扩充规模，并将数据集划分为训练集、测试集。3.根据权利要求1所述的一种基于改进Faster RCNN的表面缺陷检测方法，其特征在于：步骤S2中，使用K
‑
means++算法对当前数据集的训练集标注宽高数据进行聚类，选定一个聚类中心，计算出各个聚类中心的基础边长和宽高比，根据FPN层数和特征图大小设定对应的锚框的比例和大小，根据Steel
‑
FPN的三层特征图及特征图尺寸，重设大小为[88,176,352]，比例为[0.5,1.5,3.0]。4.根据权利要求1所述的一种基于改进Faster RCNN的表面缺陷检测方法，其特征在于：步骤S3中，Faster RCNN模型框架分为三个模块：主干网络、FPN网络和预测网络。5.根据权利要求4所述的一种基于改进Faster RCNN的表面缺陷检测方法，其特征在于：所述主干网络使用MobileNetv3
‑
small替换主干网络ResNet
‑
50，加载ImageNet预训练权重，MobileNetv3使用了v1版本的深度可分离卷积和在v2版本的bottleneck结构，并且在该结构上加入了通道注意力结构，而且将v2版本中的输出端进行了改进，使用全局池化对特征图降维再卷积，取代了原本的直接1
×
1卷积，得到第3、8、11层的特征图。6.根据权利要求4所述的一种基于改进Faster RCNN的表面缺陷检测方法，其特征在于：所述FPN网络使用Steel
‑
FPN，且使用了主干网络的第3、...

【专利技术属性】
技术研发人员：张志勇，赵长伟，肖恒，张中亚，邵敬平，于雅洁，李玉祥，张丽丽，宋斌，靳正芬，
申请(专利权)人：河南科技大学，
类型：发明
国别省市：