[发明专利]基于深度学习的小五金件缺陷检测方法、系统及设备

说明书

本发明提供了基于深度学习的小五金件缺陷检测方法，步骤如下：选取小五金件的样本图像，进行预处理构建CIFAR‑100样本集，基于样本卷积神经网络得到缺陷识别模型；对小五金件进行图像采集并灰度化处理得到灰度图，对灰度图进行图像分割，获得目标运动前景；基于九宫格算法对目标运动前景图像进行计算，将得到的待检测小五金件图像分割为若干个超像素块，计算每个超像素块的显著性值，再通过多尺度超像素块显著性的融合得到显著性图；为显著性图构建一个最小外接正方形，对其进行归一化处理调整大小，输入缺陷识别模型，确定待检测小五金件图像中的缺陷。本发明适用于多种小目标五金件及其他零件，操作较为简单，同时也提高了检测效率。

技术领域

本发明涉及五金件表面缺陷检测技术领域，具体而言，涉及基于深度学习的小五金件缺陷检测方法、系统及设备。

背景技术

图像目标检测(也称对象检测)是从图像中定位并识别特定类别的物体的方法，是机器自动化处理中重要的一环，其作用在于定位待查找目标的位置并识别目标类别以辅助机器进行进一步处理，目标检测方法广泛应用于医学、交通、互联网、数据统计、军事等领域，成功实现自动相机聚焦、人脸检测、车辆检测、无人机检测、楼房检测等。

在电力系统中，电力系统设备大多数有检测目标尺寸的多样性，小目标检测作为目标检测中的一环有着同样重要的现实需求。不仅如此，小目标检测在远距离目标图像、大视场目标图像、目标密集图像等常见图像中比重大、精度需求高，因此其精度决定了总体目标检测精度，如遥感影像目标检测、无人机航拍目标检测、行人目标检测。除此之外，重要特殊目标检测也多为小目标检测。电力设备多有小五金件缺陷，是电力设备缺陷检测中极为广泛和重要的一部分。现有基于深度学习的小目标检测方法，操作较为繁琐，检测小目标时效率较低、精度较差。

发明内容

本发明的目的在于提供基于深度学习的小五金件缺陷检测方法、系统及设备，以解决背景技术中现有基于深度学习的小目标检测方法，操作较为繁琐，检测小目标时效率较低、精度较差等问题。

本发明的实施例通过以下技术方案实现：基于深度学习的小五金件缺陷检测方法，包括如下步骤：

步骤一、选取小五金件的样本图像，对其进行预处理构建CIFAR-100样本集，基于CIFAR-100样本集对卷积神经网络进行训练，获得训练好的缺陷识别模型；

步骤二、对小五金件进行图像采集并进行灰度化处理，得到灰度图，对灰度图进行图像分割，获得目标运动前景；

步骤三、基于九宫格算法对目标运动前景图像进行计算，得到待检测小五金件图像并将其分割为若干个超像素块S_up，计算每个超像素块S_up的显著性值s，再通过多尺度超像素块显著性的融合，得到显著性图；

步骤四、为显著性图构建一个最小外接正方形，对其进行归一化处理，调整大小为32×32，输入缺陷识别模型，确定所述待检测小五金件图像中的缺陷。

根据一种优选实施方式，所述步骤一具体包括：

1.1、对样本集中的图像采用先膨胀后腐蚀的方式递减图像分辨率，获得第一小目标特征图；

1.2、复制步骤1.1处理后的图像，分割缺陷mask，得到第二小目标特征图；

1.3、复制步骤1.3处理后的图像，通过旋转得到第三小目标特征图；

1.3、复制步骤1.4处理后的图像，通过缩放得到第四小目标特征图；

1.4、将所有的小目标特征图进行融合，得到特征金字塔网络FPN，作为缺陷识别模型的主干网络。

根据一种优选实施方式，所述步骤一中卷积神经网络包括：

输入层，输入32×32的图像；