一种改进型U-net网络的训练方法和缺陷识别方法技术

本发明专利技术涉及计算机视觉‑目标检测技术领域，特别是涉及一种改进型U‑net网络的训练方法和缺陷识别方法，通过多尺度输入，同时在网络的末端，提取多个输出层的损失函数，将其平均作为最终损失函数，获取多层损失信息。通过本训练方法和缺陷识别方法，能更好的满足工业上缺陷识别的要求，并提升缺陷识别的准确率。

【技术实现步骤摘要】

本专利技术涉及计算机视觉-目标检测，特别是涉及一种改进型u-net网络的训练方法和缺陷识别方法。

技术介绍

1、目标检测是利用计算机视觉对图像进行目标分类、目标识别和边缘提取等操作，在工业检测、医学图像分割领域以及自动驾驶领域等领域广泛应用，目前主要通过传统算子和深度学习两方面进行算法改进和精度提升。在传统视觉方面，主要基于微分算子索贝尔(sobel)算子、拉普拉斯(laplace)算子进行卷积得到图像特征等；在深度学习方面，可利用语义分割实现目标检测，语义分割是指对图像每个像素进行分类，从而达到图像目标分割、定位以及边缘提取等目的。全卷积网络(fcn)将神经网络的全连接层改为卷积网络，极大提升网络性能。为了提升fcn准确度，u型对称结构(u-net)利用跳跃连接层(skipconnection)将浅层与深层信息融合；金字塔场景分割网络(pspnet)利用金字塔池化模块获得全局信息；结合深度卷积网络、空洞卷积和全连接条件随机场的网络结构(deeplab系列)利用空洞卷积在不增加计算量和参数量的同时扩大感受野。

2、自从2015年，u-net结构本文档来自技高网...

【技术保护点】

1.一种改进型U-net网络的训练方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种改进型U-net网络的训练方法，其特征在于：所述步骤S2具体包括以下步骤：

3.根据权利要求1所述的一种改进型U-net网络的训练方法，其特征在于：所述步骤S2中，提取四层粗粒度信息；步骤S4中，得到五个解码层输出。

4.根据权利要求1所述的一种改进型U-net网络的训练方法，其特征在于：所述步骤S1中图像增强处理具体指：从对比度、平滑、锐化以及边缘提取四个角度出发，随机选择6种图像增强方法进行图像增强处理。

5.根据权利要求4所述的一种改进型U...

【技术特征摘要】

1.一种改进型u-net网络的训练方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种改进型u-net网络的训练方法，其特征在于：所述步骤s2具体包括以下步骤：

3.根据权利要求1所述的一种改进型u-net网络的训练方法，其特征在于：所述步骤s2中，提取四层粗粒度信息；步骤s4中，得到五个解码层输出。

4.根据权利要求1所述的一种改进型u-net网络的训练方法，其特征在于：所述步骤s1中图像增强处理具体指：从对比度、平滑、锐化以及边缘提取四个角度出发，随机选择6种图像增强方法进行图像增强处理。

5.根据权利要求4所述的一种改进型u-net网络的训练方法，其特征在于：从对比度的角度出发的图像增强方法包括：图像反色、对数处理、伽马运算、阈值线性变换、直方图变换、局部直方图变换、单尺度视网膜反射和多尺度视网膜反射操作。

6.根据权利要求4所述的一种改进型u-...

【专利技术属性】
技术研发人员：周纹康，朱绪胜，王君，宋颖，韩利亚，陈代鑫，周力，刘清华，刘树铜，文洲，秦琪，马帅，刘磊，蔡怀阳，涂启帆，
申请(专利权)人：成都飞机工业集团有限责任公司，
类型：发明
国别省市：