[发明专利]一种基于机器视觉的多种类汽车车灯检测方法、装置及计算机存储介质

说明书

本发明公开了一种基于机器视觉的多种类汽车车灯检测方法，包括获取汽车车灯图像进行预处理构建训练集；构建ResNet101+FPN+Faster R‑CNN的网络模型；由训练集对网络模型进行训练；将待检测的汽车车灯图像输入至训练后的网络模型进行检测得到检测结果，其中由ResNet101的五个卷积层通过卷积融合FPN的五层输出构成特征提取网络。本发明还公开了基于机器视觉的多种类汽车车灯检测装置及记录有实现该方法程序的计算机存储介质。本发明通过生成汽车车灯更多维的特征信息，提高了检测准确性。

技术领域

本发明涉及一种车灯检测方法，特别是涉及一种基于机器视觉的多种类汽车车灯检测方法、装置及计算机存储介质。

背景技术

在汽车车灯制造领域，汽车车灯生产中常用的聚碳酸酯材料的耐温性和硬度都不好。因此，在汽车车灯出厂前，通常会在汽车车灯表面喷涂一层硬化漆，以改善照明性能。对于车灯的喷涂作业具有产品种类繁多、生产需求小、产品型号不固定的特点，传统的喷涂机器人喷涂效果并不理想，涂料浪费多。

采用机器视觉技术可以使喷涂机器人准确地识别和定位汽车车灯。机器视觉技术中用到的目标检测算法通常由三部分组成：提取特征区域、目标特征建模和区域分类与回归。其中，特征建模是算法的核心，其表达目标特征的能力直接影响到分类器的精度和算法的整体性能。根据特征提取方法的不同，目前主流的特征建模方法分为两类：基于人工设计的特征模型和基于自学习的特征模型。由于人工模型只包含图像的原始像素特征和纹理梯度信息，不具备高级语义抽象能力，对目标的描述也不必要，因此该方法在处理目标检测任务中的实际效果并不理想。

卷积神经网络在图像检测中表现出优异的性能，它们分为两类。一是将目标识别和目标定位分为两步，如R-CNN、Fast R-CNN和Faster R-CNN。这种类型的框架具有较低的识别错误率和较低的错过识别率。二是一步完成目标的分类和定位，如YOLO、SSD、YOLOv2和YOLOv3。由于喷涂作业中对车灯的检测速度要求不高，现有技术中一般使用Faster R-CNN进行识别，但是不同类型的汽车车灯的特点相似，在Faster R-CNN模型生成的高度集中的特征提取图像中，目标的特征被高度卷积成一个低分辨率的特征图，甚至特征消失，这给后续Faster R-CNN的分类带来很大困难。

发明内容

针对上述现有技术的缺陷，本发明提供了一种基于机器视觉的多种类汽车车灯检测方法，目的是提高对不同种类汽车车灯检测的准确性和效率。

本发明技术方案如下：一种基于机器视觉的多种类汽车车灯检测方法，包括以下步骤：

S1、获取汽车车灯图像进行预处理构建训练集；

S2、构建ResNet101+FPN+Faster R-CNN的网络模型，所述网络模型由ResNet101与FPN进行特征提取并将提取的特征图分别送入Faster R-CNN的RPN模块和感兴趣区域池化模块，由所述RPN模块提取的感兴趣区域结合所述感兴趣区域池化模块的输出由分类回归模块得到分类结果及检测边框结果，所述ResNet101与FPN进行特征提取包括由ResNet101的五个卷积层输出{C1，C2，C3，C4，C5}与FPN的特征信息{M5，M4，M3，M2，M1}融合得到特征图，其中M5由C5进行卷积得到，M4由M5上采样后与C4卷积融合得到，M3由M4上采样后与C3卷积融合得到，以此类推；

S3、由所述训练集对步骤S2构成的所述网络模型进行训练；

S4、将待检测的汽车车灯图像输入至步骤S3训练后的网络模型进行检测得到检测结果。

进一步地，为了确保高维特征信息不会丢失并且突出低纬特征信息，消除混叠效应，所述步骤S2中ResNet101的输出与FPN的特征融合后分别对各维度信息进行卷积得到特征图，其中高维信息所采用的卷积核不大于低维信息所采用的卷积核并且最高维信息所采用的卷积核小于最低维信息所采用的卷积核。