[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

说明书

本发明提供一种基于区域的卷积神经网络物体表面缺陷检测方法，涉及检测技术领域，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。有效提了高检测效率。

技术领域

本发明涉及检测技术，尤其涉及一种基于区域的卷积神经网络物体表面缺陷检测方法。

背景技术

传统的检测方法通常利用机器学习的方式，通过提取特征，分类器分类完成检测。这种方式受特征的选择影响较大，缺陷种类繁多，人工设计特征存在各种各样的局限性，并不能充分表示物体缺陷的特性，且分类器的选择也至关重要，会直接影响检测的精度、速度等，不能达到理想的检测效果。

深度学习建立在传统机器学习基础上，其中关键是大量数据的学习和反复迭代训练。通常利用深度学习中的目标检测任务来实现物体的缺陷检测，相较于传统的目标检测任务，缺陷检测任务的难点在于目标过小，难以检测，目标种类繁多，难以学习，数据来源有限，采集困难等几个问题。

目标检测任务中存在两种主流的检测模型，分别是one stage detector，如SSD、YOLO等，和two stage detector，如faster RCNN以及相关改进模型。两种模型均采用anchor推荐机制，设置IOU阈值筛选正负样本，对正样本的anchor boxes进行位置编码，从而得到模型认为正确的anchor boxes。其中存在的问题是，前景anchor和背景anchor类别严重不平衡，实际问题中，正样本要远远少于负样本，从而给anchor boxes推荐和分类问题带来困难。

发明内容

为了解决以上技术问题，本发明提出了一种基于区域的卷积神经网络物体表面缺陷检测方法，在检测性能上产生一致和显著的提高，有效提高检测效率，替代人工检测和传统检测方法。

本发明提出半监督学习方法，得到标注数据，扩大数据集规模，结合OHEM(在线困难样本挖掘)提高对小目标检测的精度的目标检测算法，实现理想的自动化缺陷检测方法，可以有效提高检验检测效率，为完全代替人工作业奠定基础。

本发明利用半监督学习方式，基于正样本(即缺陷样本)训练目标检测模型，其目的是通过标记较少的样本进行训练，使模型具备初步的检测能力，然后利用模型对剩余大量未标记样本(可采集，也可人工生成)进行检测，得到检测后标记的图像数据，筛选结果文件中标记理想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，微调模型参数，提高模型泛化性，循环该过程，直到得到足够多的标记数据集。这种方法可以有效减少标记数据的时间，且有效避免人工标记错误的情况，大大提高数据标记的效率。

目标检测任务中存在两种主流的检测模型，分别是one stage detector，如SSD、YOLO等，和two stage detector，如faster RCNN以及相关改进模型。两种模型均采用anchor推荐机制，设置IOU阈值筛选正负样本，对正样本的anchor boxes进行位置编码，从而得到模型认为正确的anchor boxes。其中存在的问题是，前景anchor和背景anchor类别严重不平衡，实际问题中，正样本要远远少于负样本，从而给anchor boxes推荐和分类问题带来困难。