[发明专利]一种铝型材表面缺陷检测与分类方法及系统

权利要求书

1.一种铝型材表面缺陷检测与分类方法，其特征在于，所述方法包括：

S1.分别采集铝型材表面正常和表面缺陷的图像；

S2.标注铝型材表面缺陷图像的缺陷区域和缺陷类别，基于铝型材表面正常图像和标注后的有缺陷的图像，获得数据集；

S3.将数据集划分为训练数据集和测试数据集；

S4.使用训练数据集训练神经网络模型；

S5.使用测试数据集评估训练后的模型，基于评估结果判断训练后的模型是否符合预设要求，若不符合则调整模型参数继续训练模型；

S6.采集待处理的铝型材表面缺陷图像，将待处理的铝型材表面缺陷图像输入通过评估的模型，输出铝型材表面缺陷检测与分类的结果。

2.根据权利要求1所述的一种铝型材表面缺陷检测与分类方法，其特征在于，步骤S5具体包括：使用测试数据集评估训练后的模型，首先将测试数据输入模型进行检测分类，再将检测分类结果与测试数据的标注信息进行比较，通过比较判断模型是否通过评估；其中，标注信息包括缺陷的位置信息和缺陷类别，缺陷位置的比较方法为计算模型给出的缺陷区域与标注的缺陷区域的面积重合度是否符合预设要求；缺陷类别的比较方法为对比模型的缺陷分类结果与标注的缺陷类别是否一致。

3.根据权利要求1所述的一种铝型材表面缺陷检测与分类方法，其特征在于，步骤S2具体为使用打标工具标注铝型材表面缺陷图像的缺陷区域和缺陷类别。

4.根据权利要求1所述的一种铝型材表面缺陷检测与分类方法，其特征在于，调整模型参数包括调整模型迭代次数、模型学习率、模型损失函数。

5.根据权利要求1所述的一种铝型材表面缺陷检测与分类方法，其特征在于，在神经网络模型训练中，使用无缺陷样本迁移训练方法训练模型，具体包括：

step1，使用铝型材表面缺陷图像初次训练模型；

step2，将铝型材表面正常图像输入初次训练后的模型中进行预测；

step3，整理初次训练后的模型对铝型材表面正常图像的预测结果，将模型检测错误的铝型材表面正常图像加入setp1使用的训练集形成新的训练集；

最后，使用新的训练集再次训练模型。

6.根据权利要求1所述的一种铝型材表面缺陷检测与分类方法，其特征在于，在神经网络模型训练中，使用多尺度协同训练方法训练模型，具体包括：

首先，在模型训练过程中，变换输入模型的图像的尺寸，使用图像尺寸变换算法得到尺寸为416*416、720*720、1080*1080三个尺寸大小的图像，每个原图像均对应生成三个级别尺寸的图像，由小到大分别记为：第一图像、第二图像、第三图像；

然后，使用新的训练数据训练模型，模型在训练的过程中生成若干检测候选框，筛选模型生成的检测候选框，第一图像的检测候选框保留尺寸在208*208～312*312之间的，其余丢弃；第二图像的检测候选框保留尺寸在240*240～480*480之间的，其余丢弃；第三图像的检测候选框保留尺寸在160*160～440*440之间的，其余丢弃；

然后，针对每个原图，分别融合其对应生成的第一图像、第二图像、第三图像筛选出的检测候选框，融合方式为：根据检测候选框之间的相对位置信息，将三个尺寸级别筛选的检测候选框还原至原尺寸图像的对应位置，并融合还原后的检测候选框生成融合后的检测框，将融合后的检测框输出至原尺寸图像；

最后，比对融合后的检测框与训练集的标注信息，计算误差并反馈给网络进行逐层优化。