[发明专利]基于辅助学习网络的竹条缺陷检测方法

说明书

本发明涉及一种基于辅助学习网络的竹条缺陷检测方法，包括以下步骤：步骤S1:采集竹条缺陷数据，并通过标定，生成数据集；步骤S2:对数据集进行预处理，并将预处理后的数据集作为训练集；步骤S3：基于训练集训练骨干网络和辅助定位检测网络，进一步得到物体预测矩阵、边框尺寸预测矩阵和边框偏移预测矩阵；步骤S4:根据得到的物体预测矩阵、边框尺寸预测矩阵和边框偏移预测矩阵，分别计算物体预测损失、边框尺寸预测损失、边框偏移预测损失，并进一步计算网络总损失；步骤S5:将待测图像经过预处理后输入训练后的训练骨干网络和辅助定位检测网络，得到检测结果。本发明能够准确的检测出竹条的缺陷。

技术领域

本发明涉及目标检测领域，具体涉及一种基于辅助学习网络的竹条缺陷检测方法。

背景技术

现有基于传统机器学习的方法，由于存在大量人为设计超参数且面对千变万化的竹条缺陷形状，存在以下缺点：检测效率低下且检测效果不是很理想；不能根据竹条缺陷形状自适应调整检测方案。且现实中，由于采集标定数据的成本较高，往往只能拿到较少的数据。

发明内容

有鉴于此，本发明的目的在于提供一种基于辅助学习网络的竹条缺陷检测方法，能够针对在较少的竹条缺陷数据和对不同来源类型的竹条数据的情况下检测得到较好的检测结果。

为实现上述目的，本发明采用如下技术方案：

一种基于辅助学习网络的竹条缺陷检测方法，包括以下步骤：

步骤S1:采集竹条缺陷数据，并通过标定，生成数据集；

步骤S2:对数据集进行预处理，并将预处理后的数据集作为训练集；

步骤S3：基于训练集训练骨干网络和辅助定位检测网络，进一步得到物体预测矩阵、边框尺寸预测矩阵和边框偏移预测矩阵；

步骤S4:根据得到的物体预测矩阵、边框尺寸预测矩阵和边框偏移预测矩阵，分别计算物体预测损失、边框尺寸预测损失、边框偏移预测损失，并进一步计算网络总损失；

步骤S5:将待测图像经过预处理后输入训练后的训练骨干网络和辅助定位检测网络，得到检测结果。

进一步的，所述预处理具体为:对不同产地的竹条和不同批次的竹条所呈现的颜色差别，在每次训练前随机的在图像的HSV空间进行微调，并加上随机颜色抖动。

进一步的，所述步骤S3具体为：

步骤S31:输入竹条图像I经过辅助定位检测网络的降采样特征提取表示模块、多尺度特征融合模块、特征传递输出模块分别得到竹条图像特征F_d^I、F_m^I、F_L^I；

步骤S32:输入竹条图像I经过骨干网络的下采样模块、上采样模块特征融合部分、特征结合传递输出模块，得到特征结合传递输出模块特征F₁^I、F₂^I、F₃^I；

步骤S33:冻结骨干网络，将骨干网络的参数进行传递到下一步，但不进行更新，只训练辅助定位检测网络；

步骤S34:训练辅助定位检测网络至损失loss趋于稳定后，放开冻结，将骨干网络与辅助定位检测网络一同训练；

步骤S35:将竹条特征图F_d^I、F_m^I、F_L^I分别与特征F₁^I、F₂^I、F₃^I进行融合传递；