[发明专利]基于改进型Cascade R-CNN的铝材表面缺陷检测方法

说明书

本发明公开了一种基于改进型Cascade R‑CNN的铝材表面缺陷检测方法，包括步骤：1)对铝材表面图片进行尺寸标准化，切割并分类；2)对图片集进行归一化和在线数据增强，并划分批次；3)将所有批次的图片使用改进型Cascade R‑CNN算法进行迭代训练；4)重复步骤2)至步骤3)，迭代训练得到铝材表面缺陷检测模型；5)将待检测的铝材表面图片输入铝材表面缺陷检测模型，得到检测结果。本发明可有效降低光照、曝光和位移等条件对缺陷检测的影响，提高了检测稳定性，同时大幅提高了极端长宽比缺陷的检出率，降低了误检率。

技术领域

本发明涉及铝材表面缺陷检测的技术领域，尤其是指一种基于改进型Cascade R-CNN的铝材表面缺陷检测方法。

背景技术

缺陷检测是生产流程中的重要一环，它保障了工业产品的可靠性。铝材的表面缺陷检测需要对表面上是否存在缺陷进行二分类，再对存在的缺陷位置进行精确定位，并对定位后的缺陷进行精准分类，是一个分类问题和目标检测问题的结合。在此之前，铝材的表面缺陷检测技术通常使用传统机器视觉技术，进行图片灰度二值化、边缘轮廓提取以及模板匹配等操作，此类的缺点是对图片的光照、位移等变化十分敏感，鲁棒性较差。此外，之前的一些基于深度学习的铝材表面缺陷检测方法没有专门为缺陷检测的特点进行设计，其漏检率和误检率都比较高，效果不佳。

深度学习中的目标检测由卷积神经网络作为特征提取器，其提取出来的特征图对光照、位移等变化不敏感，鲁棒性较好。由区域提议网络(Region Proposal Network)和分类回归网络组成了一个两阶段目标检测器，区域提议网络负责生成目标可能所在区域的建议，分类回归网络对建议的区域进行分类，并对标注框进行微调。网络的函数由分类损失和回归损失加权组成，并采用随机梯度下降法进行反向传播迭代。

现有的两阶段深度学习目标检测器精度较高，通用性也较好，但在铝材表面缺陷检测中仍然存在难以检测极端长宽比缺陷，不带缺陷的正常图片无法参与模型训练使得误检率较高等问题。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于改进型CascadeR-CNN的铝材表面缺陷检测方法，可有效降低光照、曝光和位移等条件对缺陷检测的影响，提高了检测稳定性。同时，设计的网络能对正常图像和缺陷图像进行训练，同时完成二分类和目标检测任务，极大地降低了误检率。此外，还加入了候选生成网络，提高了极端长宽比缺陷的检出率。在铝材表面缺陷检测上具有效率高、泛化性强、精度高、稳定性好等优点。

为实现上述目的，本发明所提供的技术方案为：基于改进型Cascade R-CNN的铝材表面缺陷检测方法，包括以下步骤：

1)对铝材表面图片集进行尺寸标准化操作，其中含有缺陷的图片有对应的缺陷标注文件，根据图片是否含有缺陷标注文件将图片集划分为正常图片集和缺陷图片集；

2)将步骤1)得到的图片集进行归一化和在线随机数据增强，包括上下左右随机翻转，并划分批次；

3)将步骤2)得到的每个批次的图片和标注，使用改进型Cascade R-CNN算法进行迭代训练，训练完所有批次后完成一个轮次的训练；

4)完成一个轮次的训练后，重复进行步骤2)至步骤3)，直至达到设定的迭代轮次，把网络中的参数输出并保存，得到铝材表面缺陷检测模型；

5)将待检测的铝材表面图片输入铝材表面缺陷检测模型，即可输出待检测的铝材表面图片的缺陷位置和类别信息。