一种麦克风缺陷检测方法及装置制造方法及图纸

本发明专利技术提供了一种麦克风缺陷检测方法及装置，方法包括根据已知的麦克风缺陷类别对多张麦克风图像进行标注，将标注后的麦克风图像划分为多个数据集，对单阶段目标检测模型进行改进，并基于数据集对改进后的单阶段目标检测模型进行训练，通过完成训练的模型对麦克风图像进行检测，以预测麦克风图像中多种不同大小类型的缺陷；其中，改进后的模型包括依次连接的以Swi n

【技术实现步骤摘要】
一种麦克风缺陷检测方法及装置


[0001]本专利技术属于麦克风缺陷检测
，具体涉及一种麦克风缺陷检测方法及装置。

技术介绍

[0002]传统的机器视觉质检方法需要大量的专业领域知识，对特定的产品进行定制化的设计，在实际应用中通用性差、维护困难，如果有其他未知缺陷，往往需要重新进行设计，会耗费大量的人力、物力、财力。随着基于深度学习的缺陷检测技术被越来越广泛的应用在工业质检领域，以卷积神经网络为代表的深度学习方法，获得了更多学术界和工业界的追捧和关注。
[0003]目标检测作为计算机视觉的一项重要任务，用于检测图像上特定类型的目标，目前主流的目标检测算法分为两阶段和单阶段算法。其中，单阶段目标检测算法在保持高效率的检测精度的前提下，以实时的处理速度赢得了广泛的工业市场，由此，基于卷积神经网络的单阶段目标检测算法迅速发展，并应用在工业的各个实际生产场景。
[0004]虽然已有的单阶段目标检测算法被应用在通用的视觉目标检测任务，但是对于手机麦克风等类似的缺陷检测方法还是通过传统的机器视觉方法，然而手机麦克风产品本身，传统的机器视觉检测容易受到光照、角度等生产关键影响，因此使用传统机器视觉方法对手机麦克风进行缺陷检测不仅存在检测速度慢、检测精度低的问题，而且漏检率和误检率较高，严重影响手机麦克风的生产。

技术实现思路

[0005]为了解决传统机器视觉方式检测手机麦克风速度慢、准确性低的问题，本专利技术提供了一种麦克风缺陷检测方法，所述方法包括：
[0006]根据已知的麦克风缺陷类别对多张麦克风图像进行标注，将标注后的麦克风图像划分为多个数据集；
[0007]对单阶段目标检测模型进行改进，并基于所述数据集对改进后的所述单阶段目标检测模型进行训练；改进后的所述模型包括依次连接的以Swin
‑
Transformer作为主干特征提取网络的特征提取模块、特征融合模块、包括包含小目标检测层在内的多个目标检测层的检测层模块；
[0008]通过完成训练的所述模型对麦克风图像进行检测，以预测麦克风图像中多种不同大小类型的缺陷。
[0009]具体地，所述麦克风缺陷类别包括异物、胶露、划痕、毛刺和污点。
[0010]优选地，所述“将标注后的麦克风图像划分为多个数据集”包括：
[0011]对标注后的所述麦克风图像进行裁剪、平移、改变亮度、加噪声、旋转角度、镜像方式混合的随机数据增强处理后，将所述麦克风图像按预设比例划分为训练数据集、验证数据集和测试数据集。
[0012]进一步地，所述“基于所述数据集对改进后的所述模型进行训练”包括：
[0013]基于所述训练数据集对所述模型进行多轮迭代训练；
[0014]基于所述验证数据集和预设的评估指标评估各所述模型的性能，若存在满足所述评估指标的模型，获取其中的最优模型；若不存在，基于所述训练数据集对所述模型重新进行迭代训练；
[0015]通过测试数据集对所述最优模型进行测试，若测试结果达标，将所述最优模型确定为完成训练的所述模型；若不达标，基于所述训练数据集对所述模型重新进行迭代训练。
[0016]具体地，所述评估指标包括精确率、召回率、平均精度和平均精度均值。
[0017]优选地，所述“对单阶段目标检测模型进行改进”还包括：
[0018]在所述特征提取模块的特征提取层和空间金字塔池化层之间嵌入一层坐标注意力网络层，并在所述特征融合模块嵌入多层坐标注意力网络层；所述特征提取层包括多个用于提取特征信息中局部空间信息的标准卷积块和分别设置于多个通道的Swin
‑
Transformer块。
[0019]具体地，所述特征融合模块用于对麦克风图像中的特征进行融合，所述特征融合模块融合特征的方法包括：
[0020]在所述特征提取模块对所述麦克风图像提取特征得到特征图像后，分别从水平和竖直方向对所述特征图像进行平均池化；
[0021]将水平和竖直方向的所述特征图像在通道维度上进行拼接形成合成图像；
[0022]从空间维度将所述合成图像切片得到切片图像，并通过卷积将所述切片图像升维；
[0023]基于升维后的所述切片图像得到水平和竖直方向的注意力向量，将水平和竖直方向的注意力向量输入至所述特征图像中，以获取具有空间维度和通道维度注意力的特征图像。
[0024]优选地，各所述目标检测层包括通过K均值聚类生成的候选框，多个所述候选框分别用于预测麦克风图像中多种不同大小类型的缺陷。
[0025]进一步地，所述检测层模块预测缺陷的方法还包括：
[0026]基于非极大值抑制算法进行筛选以抑制重叠的候选框，以保留置信度最高的候选框作为最具代表性的预测缺陷结果。
[0027]本专利技术还提出了一种麦克风缺陷检测装置，所述装置包括：
[0028]标注模块，用于根据已知的麦克风缺陷类别对多张麦克风图像进行标注；
[0029]划分模块，用于将标注后的麦克风图像划分为多个数据集；
[0030]训练模块，用于基于所述数据集对改进后的所述单阶段目标检测模型进行训练；改进后的所述模型包括依次连接的以Swin
‑
Transformer作为主干特征提取网络的特征提取模块、特征融合模块、包括包含小目标检测层在内的多个目标检测层的检测层模块；
[0031]检测模块，用于通过完成训练的所述模型对麦克风图像进行检测，以检测出麦克风图像中多种不同大小类型的缺陷。
[0032]本专利技术至少具有以下有益效果：
[0033]本方案为模型训练提供了准确的标签和合理的数据分布，能够全面地覆盖各类缺陷问题，提高了检测的广泛性、适应性和检测模型的学习效果，通过改进后的单阶段目标检
测模型，能够准确地检测出麦克风图像中多种不同大小类型的缺陷；
[0034]进一步地，本方案对标注后的麦克风图像进行了多样化的数据增强处理，包括裁剪、平移、改变亮度、加噪声、旋转角度、镜像等，提升了模型对于不同场景的适应能力和鲁棒性；通过基于训练数据集的多轮迭代训练和评估指标的筛选，提高了模型在验证数据集上的性能，并确保了模型的可靠性和有效性；通过特征融合模块获取具有空间维度和通道维度注意力的特征图像，从而提升了模型对于缺陷的检测能力；利用K均值聚类生成候选框，同时通过非极大值抑制算法进行筛选，保留最具代表性的预测缺陷结果，提高了检测的准确性和效率。
[0035]以此，本专利技术提供了一种麦克风缺陷检测方法及装置，本方案采用基于深度学习的单阶段缺陷检测方法，不需要预先设定感兴趣区域，通过改进模型的方式，在提高了检测麦克风缺陷精度、速度的同时减少了毛刺、污点等微小缺陷漏检和误检情况，极大地提高了手机麦克风生产效率。
附图说明
[0036]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种麦克风缺陷检测方法，其特征在于，所述方法包括：根据已知的麦克风缺陷类别对多张麦克风图像进行标注，将标注后的麦克风图像划分为多个数据集；对单阶段目标检测模型进行改进，并基于所述数据集对改进后的所述单阶段目标检测模型进行训练；改进后的所述模型包括依次连接的以Swin
‑
Transformer作为主干特征提取网络的特征提取模块、特征融合模块、包括包含小目标检测层在内的多个目标检测层的检测层模块；通过完成训练的所述模型对麦克风图像进行检测，以预测麦克风图像中多种不同大小类型的缺陷。2.根据权利要求1所述的麦克风缺陷检测方法，其特征在于，所述麦克风缺陷类别包括异物、胶露、划痕、毛刺和污点。3.根据权利要求1或2所述的麦克风缺陷检测方法，其特征在于，所述“将标注后的麦克风图像划分为多个数据集”包括：对标注后的所述麦克风图像进行裁剪、平移、改变亮度、加噪声、旋转角度、镜像方式混合的随机数据增强处理后，将所述麦克风图像按预设比例划分为训练数据集、验证数据集和测试数据集。4.根据权利要求3所述的麦克风缺陷检测方法，其特征在于，所述“基于所述数据集对改进后的所述模型进行训练”包括：基于所述训练数据集对所述模型进行多轮迭代训练；基于所述验证数据集和预设的评估指标评估各所述模型的性能，若存在满足所述评估指标的模型，获取其中的最优模型；若不存在，基于所述训练数据集对所述模型重新进行迭代训练；通过测试数据集对所述最优模型进行测试，若测试结果达标，将所述最优模型确定为完成训练的所述模型；若不达标，基于所述训练数据集对所述模型重新进行迭代训练。5.根据权利要求4所述的麦克风缺陷检测方法，其特征在于，所述评估指标包括精确率、召回率、平均精度和平均精度均值。6.根据权利要求1所述的麦克风缺陷检测方法，其特征在于，所述“对单阶段目标检测模型进行改进”还包括：在所述特征提取模块的特征提取层和空间金字塔池化层之间嵌入一层坐标注意力网络层，并...

【专利技术属性】
技术研发人员：李少文，王佳勇，尹阳，樊国栋，姜海峰，郭济，
申请(专利权)人：广东赛德自动化科技股份有限公司，
类型：发明
国别省市：