[发明专利]一种基于半锚式检测器的目标检测方法

说明书

本发明公开了一种基于半锚式检测器的目标检测方法，获取目标检测图像；将所述目标检测图像中的缺陷进行标注，将标注之后的目标检测图像进行可视化；根据不同缺陷的目标检测图像对应的数据量占比，将目标检测图像分为训练图像和测试图像；搭建半锚式检测器模型结构，输入所述训练图像，利用梯度下降法和focal损失来训练半锚式检测器模型结构，反复学习后得到收敛后的半锚式检测器模型；利用所述测试图像对半锚式检测器模型进行测试，若所述半锚式检测器模型的准确率大于阈值，则输出半锚式检测器模型。本发明可以提高产线上酒瓶缺陷检测的速度和准确率。

技术领域

本发明涉及深度学习计算机视觉领域，具体涉及一种基于半锚式检测器的目标检测方法。

背景技术

酒瓶制造厂家在酒瓶的生产过程中，可能会出现瓶身和瓶盖上的缺陷，传统的缺陷检测主要有人工来完成酒瓶的质量检测，由于产线上酒瓶的制造数量庞大，造成检测的任务量巨大，并且易出现漏检；随着工业化程度的普及，生产上开始使用机器代替人工进行缺陷检测，现有技术的缺陷检测通常是在检测装置上设置阈值范围，根据阈值范围来确定检测目标是否存在缺陷；这种检测方法只能针对单一的缺陷种类进行设置，若需要同时检测多种缺陷种类，则需要多台检测机器依次进行检测，严重影响检测效率。

随着人工智能研究不断取得新的成果，各行业都在不断融合人工智能算法来提高生产和监管的智能化，其中计算机视觉的酒瓶缺陷检测领域也越来越普及。采用计算机视觉算法，利用摄像头拍摄酒瓶就能立即判断酒瓶是否含有缺陷，解放人工，计算机视觉领域的应用中对检测模型的准确率要求极高，因此对检测模型的训练过程要求也很严格，因此，如何选择合适的检测模型，如何对检测模型进行高效率的训练，以确保训练之后检测模型的准确性和效率成为计算机视觉领域急需解决的问题。

发明内容

针对现有技术的不足，本发明的目的旨在提供一种基于半锚式检测器的目标检测方法，提高了缺陷预测的速度和准确度。

为实现上述目的，本发明采用如下技术方案：一种基于半锚式检测器的目标检测方法，包括如下步骤：

S01：获取目标检测图像；

S02：将所述目标检测图像中的缺陷进行标注，将标注之后的目标检测图像进行可视化，获取不同缺陷的目标检测图像对应的数据量占比；

S03：根据不同缺陷的目标检测图像对应的数据量占比，将目标检测图像分为训练图像和测试图像；所述训练图像和测试图像均包含各个种类缺陷的目标检测图像；

S04：搭建半锚式检测器模型结构，输入所述训练图像，利用梯度下降法和focal损失来训练半锚式检测器模型结构，反复学习后得到收敛后的半锚式检测器模型；其中，所述半锚式检测器模型结构包括特征提取部分、分类分支和预测框回归分支；所述特征提取部分的输出端同时连接所述分类分支和预测框回归分支的输入端；

S05：利用所述测试图像对半锚式检测器模型进行测试，若所述半锚式检测器模型的准确率大于阈值，则输出半锚式检测器模型；若半锚式检测器模型的准确率小于等于阈值，则返回步骤S04重新对所述半锚式检测器模型结构进行训练。

进一步的，所述步骤S01中利用工业相机拍摄生产线上的酒瓶图像作为目标检测图像。

进一步的，所述工业相机为两个，分别拍摄瓶盖图像和瓶身图像，所述瓶盖图像和瓶身图像共同形成目标检测图像。

进一步的，所述步骤S02利用panda库和matplotlib库将标注之后的目标检测图像进行可视化。

进一步的，所述步骤S04具体包括：

S041：所述训练图像输入至特征提取部分进行特征提取，获得该训练图像的特征图；