[发明专利]基于改进Faster-RCNN的铝型材缺陷检测方法

权利要求书

1.一种基于改进Faster-RCNN的铝型材缺陷检测方法，其特征在于，包括以下步骤：

(1).数据获取：拍摄适量的铝型材缺陷图像，包括所有的缺陷种类，按单缺陷图片、多缺陷图片、无缺陷图片分类方法分类；

(2).数据处理：对缺陷样本较少的种类，采用数据增强的方法扩增此类图片数量，并将所有图片处理成统一设定大小；

(3).标签制作：采用标注工具将缺陷图片进行标注；

(4).模型训练：采用批量迭代的方式，将标签数据和图片一起输入到Faster-RCNN网络训练，获得缺陷检测模型；

(5).缺陷检测：将测试图片输入到检测模型中，检测缺陷的种类概率与缺陷的位置。

2.根据权利1所述的基于改进Faster-RCNN的铝型材缺陷检测方法，其特征在于步骤(1)使用工业相机拍摄铝材缺陷，使拍摄角度尽量保持垂直，所拍摄的铝材缺陷图像应该尽量包含所有缺陷，包括擦花、杂色、桔皮、喷流、漆泡、起坑、不导电、脏点、角位漏底、无瑕疵的图像作为数据集样本。

3.根据权利1所述的基于改进Faster-RCNN的铝型材缺陷检测方法，其特征在于步骤(2)对于铝型材缺陷图像，采取包括图像平移、旋转、镜像、裁剪、缩放、加噪声在内的方法对数据集样本进行扩增。

4.根据权利1中步骤(4)的模型训练方法，为提高以铝型材为对象的缺陷目标检测准确率，本发明采用了以下几种方法改进Faster-RCNN模型：

(1).针对缺陷图像极端长宽比的现象，采用特征金字塔网络改进原模型；

(2).针对缺陷图像形状不规则的现象，采用可形变卷积的方法改进原模型；

(3).针对缺陷快速丢失的现象，采用空洞卷积的方法改进原模型，其中空洞卷积的计算方法如下：

上述空洞卷积计算中，o表示空洞卷积后特征图的大小，i表示输入的空洞卷积的大小，s表示步长，k为原卷积核的大小，超参数(d-1)的值为塞入的空格数。

5.根据权利1中步骤4所述的缺陷检测方法，输入卷积层生成的最后一层特征图，使用ROIPooling层在特征图上对每个矩形框进行归一化；其中ROIPooling反向传播公式如下：

6.对权利5中池化后的结果采用softmax进行分类处理，并求取各种类别的概率；其中，softmax分类方法如下：

其中，σ(z)_j表示该图像属于第j类的概率。

7.根据权利1所述的基于改进Faster-RCNN的铝型材缺陷检测方法，其特征在于步骤5中包含以下步骤：

(1).把铝型材缺陷图像测试集图片以及标签输入到已经训练好的模型中，进行检测；

(2).检测输出结果为该被检测图像属于每一类缺陷的概率，并且会自动框出概率最高的缺陷种类的位置；

(3).检测完成后，会自动计算所有测试图片的平均精度与回调率。