[发明专利]基于深度学习的哑油缺陷检测方法

说明书

本发明涉及一种基于深度学习的哑油缺陷检测方法，包括简化YOLO模型以及结合OHEM算法；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achors box，最终简化后的模型的输入‑处理‑输出；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。本发明采用深度学习方法实现哑油缺陷的检测，并较传统缺陷检测算法，实现简单，检出效果更佳，通用性更强；采用YOLO+OHEM的新型检测框架，提高深度学习的检测能力。

技术领域

本发明涉及深度学习技术领域，尤其是一种基于深度学习的哑油缺陷检测方法。

背景技术

印刷品生产过程中的各种不确定因素，极易导致表面出现缺陷和瑕疵。而近年来，我国包装印刷品种类不断丰富，同时质量也得到了较大提高，传统缺陷检测方法灵活性及单一适用性的缺点逐渐浮出水面；单纯的深度学习模型针对印刷品表面哑油缺陷的检测很难获得理想效果。

由于哑油表面非完全均匀，因此哑油缺陷具有多变性和不确定性特点，传统基于比对的缺陷检测算法进行哑油缺陷检测，检出效果一般，导致针对哑油缺陷无法定制一套通用的传统检测算法；即使采用深度学习算法，由于哑油间存在的差异易导致深度学习算法存在较高的误检率和漏检率，并且对于每一个网络，相当于一个桶，有的样本效果比较好，有的样本比较差，很难事先收集数量足够同时具备代表性的缺陷样品，导致深度学习算法具有较高的误检率和漏检率。

发明内容

本发明要解决的技术问题是：提供一种基于深度学习的哑油缺陷检测方法，具有实现简单，检出效果更佳，通用性更强的特点。

本发明解决其技术问题所采用的技术方案是：一种基于深度学习的哑油缺陷检测方法，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。

进一步的说，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 ROI sampler筛选后依据loss值挑选出最佳匹配的hardexample；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。

进一步的说，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。

进一步的说，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。