[发明专利]一种基于区域的卷积神经网络物体表面缺陷检测方法

权利要求书

1.一种基于区域的卷积神经网络物体表面缺陷检测方法，其特征在于，

通过标记的样本进行训练，使模型具备初步的检测能力，然后利用模型对剩余未标记样本进行检测，得到检测后标记的图像数据，筛选结果文件中的数据用于扩充训练集，并手工标记其中检测错误的图像数据，用于再次训练，循环该过程，直到得到足够的标记数据集。

2.根据权利要求1所述的方法，其特征在于，

采用Faster RCNN模型，FRCN将图像和一组感兴趣对象区域(ROIs)作为输入。

3.根据权利要求2所述的方法，其特征在于，

FRCN网络分为两个连续的部分：

卷积网络，包含多层卷积和最大池化层；

ROI网络，包含一个ROI层、数个全连接层和两个损失层。

4.根据权利要求3所述的方法，其特征在于，

在推理过程中，将卷积网络应用于给定的图像，生成conv feature map，其大小取决于输入图像的维数；然后，对于感兴趣区域，ROI层将其映射到conv feature map上，并提取一个固定长度的特征向量；特征向量被送入全连接层，最后给出两个输出：目标和背景图像的最大概率分布和anchor boxes的位置坐标。

5.根据权利要求4所述的方法，其特征在于，

每个类别的ROI损失是分类损失和位置损失的总和。

6.根据权利要求5所述的方法，其特征在于，

分类损失即预测正确的对象或背景标签；

位置损失即预测准确的边界框的总和。

7.根据权利要求6所述的方法，其特征在于，

采用FRCN结合OHEM算法和Focal Loss。

8.根据权利要求7所述的方法，其特征在于，

具体步骤如下：

1)、采集缺陷样本，或在正常图像中人工生成缺陷样本，手工标记PASCAL VOC格式的正样本数据集，利用标记的数据集进行一次模型训练；

2)、利用训练后的模型在线检测分类新的样本数据，筛选数据，检测正确的样本用于扩充训练集，检测错误的样本重新手工标记，然后用于再次训练模型；

3)、循环步骤(1)-(2)，直到得到足够多的样本数据；

4)、以上生成的数据用于FRCN+OHEM+Focal Loss训练，FRCN用于训练基本的目标检测模型，OHEM用于增加困难样本的权重，FocalLoss用于解决数据集中正负样本严重不平衡的问题；

5)、训练后的模型识别小目标样本，达到理想的缺陷检测结果。