[发明专利]一种基于级联卷积神经网络的表面疵点检测方法

权利要求书

1.一种基于级联卷积神经网络的表面疵点检测方法，其特征在于：

所述方法包括以下步骤：

步骤1：搭建基于Cascade R-CNN的疵点检测网络；

步骤2：训练并优化所述疵点检测网络；

步骤3：使用工业相机实时采集待检测产品的图像；

步骤4：利用训练并优化后的疵点检测网络对图像进行检测。

2.根据权利要求1所述的一种基于级联卷积神经网络的表面疵点检测方法，其特征在于：所述步骤1中，基于Cascade R-CNN的疵点检测网络包括顺次配合设置的以下结构：

(1)ResNeXt网络，作为特征提取网络，输出的特征图输入至FPN；

(2)特征金字塔FPN，FPN所有输出的新特征图输入至RPN网络；

(3)区域建议网络RPN，用于在FPN生成的所有新特征图上生成不同大小、不同尺寸的锚点框，由两个3×3卷积层分别预测这些锚点框的分数和坐标修正值，锚点框经坐标修正后，作为候选框输入至后续的级联网络中；

(4)级联网络。

3.根据权利要求2所述的一种基于级联卷积神经网络的表面疵点检测方法，其特征在于：所述ResNeXt网络包括5个卷积部分，每个卷积部分由若干个基本的卷积单元块堆叠组成，每个卷积部分中均采用可变形卷积，输入图像在经过每个卷积部分的运算后即生成特征图，且每经过一个卷积部分，特征图的分辨率缩小一半，后四个卷积部分输出的特征图均输入至FPN。

4.根据权利要求3所述的一种基于级联卷积神经网络的表面疵点检测方法，其特征在于：所述ResNeXt网络其中，C为卷积部分个数，x、y分别为输入和输出，Ti(x)为单个卷积部分中卷积单元块的堆叠结构。

5.根据权利要求3所述的一种基于级联卷积神经网络的表面疵点检测方法，其特征在于：所述ResNeXt网络中，每个卷积部分使用3×3的可变形卷积核，卷积后输出的像素值为y(p₀)，其中，p₀为当前卷积窗口的中心点，p₀+p_n为标准卷积窗口中的每个采样点，△p_n为对标准卷积核中的每个采样点的位置增加的偏移变量，R为卷积核的大小，w为卷积核中的系数，x为当前卷积窗口中每个像素点的像素值。

6.根据权利要求3所述的一种基于级联卷积神经网络的表面疵点检测方法，其特征在于：所述特征金字塔FPN将ResNeXt网络中四个部分输出的特征图分别连接一个1×1卷积层，每个卷积层的卷积结果与下一个分辨率的特征图的上采样结果进行相加，最后连接一个3×3的卷积层，得到4个新的特征图；再将ResNeXt网络的第5个特征图经过步长为2的最大值池化操作后，得到新的第5个特征图；FPN所有输出的特征图输入至RPN网络中。

7.根据权利要求2所述的一种基于级联卷积神经网络的表面疵点检测方法，其特征在于：所述区域建议网络RPN中，设置参数用于生成锚点框，所述参数包括生成锚点框的长宽比ratios、生成锚点框面积scales和生成锚点框的比例数量；以θ1用于检测横向的细长疵点，θ1的取值范围为[10,50]，以θ2用于检测纵向的细长疵点，θ2的取值范围为[0.02,0.1]。

8.根据权利要求2所述的一种基于级联卷积神经网络的表面疵点检测方法，其特征在于：所述级联网络包括三组对应设置的区域对齐层ROI Align和R-CNN网络；每个R-CNN网络包括两层全连接层，这两层全连接层的输出分别输入至分类层和回归层、用于预测分类和目标框修正值；每个R-CNN网络中，回归层的输出将经过区域对齐层ROI Align固定成7×7尺寸后输入至下一个R-CNN结构中进一步分类和修正。