[发明专利]一种基于改进非局部均值Faster-RCNN算法的纸张缺陷自动检测方法

权利要求书

1.一种基于改进非局部均值Faster-RCNN算法的纸张缺陷自动检测方法，包括纸张缺陷识别与定位、缺陷图像分割提取二个部分，其特征在于，具体的操作步骤为：

(1)将标准化的纸张缺陷图像对Faster-RCNN算法模型进行深度训练，使Faster-RCNN算法模型具备对纸张缺陷识别、定位及分检的能力；

(2)将训练好的Faster-RCNN算法模型对实际纸张进行检测，得到纸张缺陷图；

(3)使用非局部均值NLM算法对已获取的纸张缺陷图进行降噪处理；

(4)通过线性滤波算法对纸张缺陷图进行增强处理，增强纸张缺陷图边界与背景反差；

(5)纸张缺陷图二值化，将缺陷从背景中分割提取出来，

上述采用Faster-RCNN算法模型对纸张进行检测时，包括对Faster-RCNN算法模型中的RPN和ROI两个卷积神经网络进行改进，

RPN卷积神经网络改进的具体操作为：对收集的纸张缺陷进行统计分析，发现其不规则形态宽高比在0.73，尺度有17种；

RoI卷积神经网络改进的具体操作为：1)把RoI投射到特征图区域内，计算过程不取整且保留小数；2)把RoI投射特征图的结果均匀地划分到一个2×2的区域里，在这些均分的区域里，每个区域都布置均匀采样点4个，对每个采样点进行双线性插值；3)每个采样点完成双线性插值后，对该区域里的4个采样点取最大值，即Max Pooling，最后产生2×2区域的特征量；

上述步骤(3)中非局部均值NLM算法中，权值w(t,s)表示为以下公式：

θ(t)表示t的中心像素值，是t的中值，代表其像素总和，[θ(t)-n(s)]²为权重块中心的灰度差平方；

上述步骤(4)中，线性滤波算法采取预遍历图像的方法，先获得块中值及块和，接着获得窗口中块中心像素点的灰度值、中值及像素之和，然后再进行第二次遍历图像，利用预遍历图像得到的数值直接计算权值，采用上述同样方法遍历窗口后计算获得中心像素。

2.根据权利要求1所述的一种基于改进非局部均值Faster-RCNN算法的纸张缺陷自动检测方法，其特征在于，上述RPN卷积神经网络改进中的对收集的纸张缺陷进行统计分析时，不规则形态宽高比和尺度的数值根据实际检测中不同纸张质地多发生缺陷概率来进行设置。

3.根据权利要求1所述的一种基于改进非局部均值Faster-RCNN算法的纸张缺陷自动检测方法，其特征在于，非局部均值NLM算法进行降噪处理的具体操作为：

将纸张缺陷图看成标准原图和噪声的叠加状态，把标准图像设为u(t)，噪声信号设为n(t)，最后实际图像为v(t)，其表达式为v(t)＝u(t)+n(t)非局部均值NLM算法这个过程用以下方程式表示：N(t)是在t为中心的范围内，搜索区域点的集合，产生归一化的因子R(t)，具体如下：R(t)＝∑_s∈N(t)ω(t，s)，权值w(t,s)表示为以下公式：

对于图像两个点t和s，它们之间欧氏距离平方和为g²，g²越大，表示相似度越大，w(t,s)的权重为参数是控制其衰减速度，Δ是与t点相接的相邻区域，LΔ是与s点相接的相邻区域，γ为带宽，点t和s的相邻区域的相似度决定了w(t,s)，两个区域的相似度越高w(t,s)值就越大，相反则越小。

4.根据权利要求1所述的一种基于改进非局部均值Faster-RCNN算法的纸张缺陷自动检测方法，其特征在于，上述步骤(3)中，所述中心像素值、中值、像素总和的比值为1:3:2。