[发明专利]一种基于CenterNet改进的多尺度缺陷目标检测方法及系统

权利要求书

1.一种基于CenterNet改进的多尺度缺陷目标检测方法，其特征在于，包括以下步骤：

获取缺陷目标图片，对所述缺陷目标图片进行预处理，得到预处理图片；

对CenterNet网络结构进行改进，得到改进CenterNet网络结构；

将所述预处理图片输入到所述改进CenterNet网络结构，生成若干个第一部分特征图；

将所述若干个第一特征图进行信息叠加，形成若干个第二部分特征图；

通过限定多种目标尺度信息生成多层分支热力图以产生类别标签，将目标映射到对应的第二部分特征图；

经过若干个第二部分特征图后通过热力图生成分支产生预测类别，通过目标宽高及中心偏移生成分支产生位置信息，进而得到检测结果。

2.根据权利要求1所述的一种基于CenterNet改进的多尺度缺陷目标检测方法，其特征在于，所述获取缺陷目标图片，对所述缺陷目标图片进行预处理，得到预处理图片，具体为：对缺陷目标图片尺寸统一缩放到固定尺寸后，对缩放后图片进行归一化处理，进而对归一化处理后图片采用数据增强方法处理；所述数据增强方法包括：随机裁剪、随机拼接、mixup、随机缩放、随机水平翻转、随机平移、色彩增强。

3.根据权利要求1所述的一种基于CenterNet改进的多尺度缺陷目标检测方法，其特征在于，所述改进CenterNet网络结构，具体为：所述改进CenterNet网络结构包括：特征提取主干网络、特征图分层网络、分支预测输出头网络。

4.根据权利要求3所述的一种基于CenterNet改进的多尺度缺陷目标检测方法，其特征在于，所述特征提取主干网络采用ResNet网络主干，可分别使用ResNet18、ResNet32、ResNet50、ResNet101、ResNet152作为主干的提取网络，对其剔除头一层卷积层和最后全连接层，保留其剩余的卷积层，用于分层提取特征图；

所述特征图分层网络通过ResNet的4个layer自下而上提取4层特征图，并通过FPN特征金字塔进行自上而下的信息叠加，后分别接卷积核大小为3的卷积消除混叠效应的影响，每层输出接入分支预测头网络；

所述分支预测头网络具体包含了两个分支：热力图生成分支、目标宽高及中心偏移生成分支；所述热力图生成分支输出层数数量为目标的类别数，目标宽高及中心偏移生成分支输出层数设置为4，包含目标的宽高值以及与中心的偏移值；训练数据集图片通过热力图生成分支产生预测类别，通过目标宽高及中心偏移生成分支产生维度信息，且对不同特征层的预测头网络进行多尺度分层训练的同时实现多层预测分支的参数权值共享，而分支的结果是独立的。

5.根据权利要求4所述的一种基于CenterNet改进的多尺度缺陷目标检测方法，其特征在于，所述将所述预处理图片输入到所述改进CenterNet网络结构，生成若干个第一部分特征图，具体如下：经过ResNet网络对原图逐倍下采样4x,8x,16x,32x，分别对应第一部分的四层特征图。

6.根据权利要求5所述的一种基于CenterNet改进的多尺度缺陷目标检测方法，其特征在于，所述将若干个第一特征图进行信息叠加，形成若干个第二部分特征图，具体为：将第一部分特征图的最高层特征图，经下采样32x的特征图逐倍上采样2x,4x,8x,16x，并与第一部分特征图对应的特征层融合，形成第二部分的四层特征图。