[发明专利]波纹管内壁瑕疵检测模型及检测方法

说明书

本申请公开了一种波纹管内壁瑕疵检测模型及检测方法。该模型可以包括：基础网络，包括多个卷积层，用于提取图像中的特征信息；自适应平均池化层，针对特征信息进行缩放，获得缩放特征图；权重层，用于通过高斯分布拟合缩放特征图中像素点对应的权值；多头注意力模块，用于通过特征信息，确定多维权重并与特征信息点乘；分类网络，针对权重层与多头注意力模块的输出结果级联后进行块级分类，获得n*n的二值图，判断二值图是否含有瑕疵，确定瑕疵位置，输出瑕疵判断结果。本发明提高了对航天燃料波纹管内壁瑕疵的检测精度，对瑕疵频繁出现的位置增加权重，提取更加丰富的特征，提高了分块的分类精度，降低了模型的误检率和漏检率。

技术领域

本发明涉及工业瑕疵检测领域，更具体地，涉及一种波纹管内壁瑕疵检测模型及检测方法。

背景技术

近年来，随着深度学习技术的蓬勃发展，计算机视觉取得了巨大的突破，越来越多的视觉感知算法被应用于工业界的检查作业中，代替人眼进行工业产品表面瑕疵或缺陷的检测。现有的基于深度学习的瑕疵检测算法大多是基于目标检测算法和语义分割算法。其中目标检测方法只得到瑕疵的位置和大小，无法感知瑕疵的形状，需要较多的数据监督训练，否则会出现较为严重的漏检情况。而语义分割方法可以得到瑕疵整体的位置和形状信息，但是其逐像素分类的特性且部分瑕疵与背景部分相像这一普遍情况会导致较多误检情况，增加了图像的标注成本。同时不同制造工艺制造出的工业产品，其本身具有的属性各不相同，不可能出现一种泛用的算法处理所有的工业产品瑕疵检测，不同产品需要开发一种对应的瑕疵检测算法。但是由于基于计算机视觉的瑕疵检测可以通过检测自动化或辅助肉眼检测减轻瑕疵检测工作的繁重程度，因此瑕疵检测算法备受工业界青睐。

现存的瑕疵检测方法主要基于目标检测和语义分割两类。其中基于语义分割的算法较多，比如一种基于语义分割的瑕疵检测算法，该算法先将图像放缩到各个不同的尺度，再将图像输入到构建对应于不同尺度图像的网络中，将不同尺度图像得到的结果进行融合，再输入到一个新的网络中得到最终的分割结果，这种方法使用了较大的网络结构，计算速度较慢，但是解决了不同尺度的瑕疵检测问题。而一种基于目标检测的高铁线路紧固件瑕疵检测算法结合了SSD、YOLO等经典目标检测算法构建了一个从粗略到精细的级联瑕疵检测模型，实现对瑕疵的定位到分类这一过程。一种将两者结合的金属表面瑕疵检测方法，先通过一次分割算法将瑕疵粗略地分割出来，再对粗略的分割结果进行一次检测，检测得到含有瑕疵可能性较高的区域，得到了比较精准的缺陷分布位置，再对这些位置实施一次分割算法并进行平滑，得到更加精细的分割结果。

但是这些算法并不适用于航天燃料波纹管内壁瑕疵检测。波纹管内壁瑕疵大多是尺度较小的小目标，这种小目标在整张图像中只占有较小的区域，使用语义分割网络难以将其捕捉。又因为小目标检测任务在目标检测中也是属于难度较大、精度较低的一类任务，使用目标检测算法也很难检测到面积很小的波纹管瑕疵。同时由于波纹管内壁波纹起伏，具有大量的阴影面积，像素级的语义分割很容易将阴影部分归为瑕疵，出现误检情况。由此可见，航天燃料波纹管内壁瑕疵检测在工业产品表面瑕疵检测领域内也是一个相当棘手的问题。

因此，有必要开发一种基于深度学习的波纹管内壁瑕疵检测模型及检测方法。

公开于本发明背景技术部分的信息仅仅旨在加深对本发明的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

发明内容

本发明提出了一种基于深度学习的波纹管内壁瑕疵检测模型及检测方法，提高了对航天燃料波纹管内壁瑕疵的检测精度，对瑕疵频繁出现的位置增加权重，提取更加丰富的特征，提高了分块的分类精度，降低了模型的误检率和漏检率。

根据本发明的一方面，提出了一种基于深度学习的波纹管内壁瑕疵检测模型，其特征在于，该系统包括：

基础网络，包括多个卷积层，用于提取图像中的特征信息；

自适应平均池化层，针对所述特征信息进行缩放，获得缩放特征图；