[发明专利]基于深度学习的哑油缺陷检测方法

权利要求书

1.一种基于深度学习的哑油缺陷检测方法，其特征在于：包括对YOLO模型的简化以及将YOLO模型与OHEM算法进行结合；

所述的YOLO模型的简化方式为：根据单张产品尺寸设计YOLO算法模型输入数据的张量，延续原YOLO模型使用多个achors box方式，最终简化后的模型包括的输入-处理-输出；

所述的结合OHEM算法方式为：YOLO模型输出的ROI首先经过ROI pooling层，然后进入ROI network A处理获取所有ROI的loss值；最后hard ROI sampler层根据loss值排序选出hard example，并把这些hard example作为ROI network B的输入。

2.如权利要求1所述的基于深度学习的哑油缺陷检测方法，其特征在于：在训练YOLO模型过程中，设定每个mini-batch包含多张图像，每张图像包含多个ROI；经过hard ROIsampler筛选后依据loss值挑选出最佳匹配的hard example；规定当一个ROI的预测结果和训练时标记的真实结果的IoU值大于阈值为正样本，当IoU的值小于阈值为负样本。

3.如权利要求1所述的基于深度学习的哑油缺陷检测方法，其特征在于：YOLO输出的ROI会被一起输入ROI pooling层，ROI pooling层实现步骤如下：

(1)根据输入image，将ROI映射到feature map对应位置；

(2)将映射后的区域划分为相同大小的sections，sections数量与输出的维度相同；

(3)对每个sections进行max pooling操作。

4.如权利要求3所述的基于深度学习的哑油缺陷检测方法，其特征在于：ROI pooling层后紧接着两个ROI network，第一个ROI network是只读的，记为ROI network A，为所有的ROI在前向传递的时候分配空间；第二个ROI network则同时为前向和后向分配空间，记为ROI network B。

5.如权利要求4所述的基于深度学习的哑油缺陷检测方法，其特征在于：ROI pooling层生成的feature map，首先进入ROI network A得到所有ROI的loss；然后是hard ROIsampler结构根据损失排序选出hard example，并把这些hard example作为ROI network B的输入。