[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

说明书

本发明公开了一种基于CenterNet改进的多尺度缺陷目标检测方法，包括以下步骤：获取缺陷目标图片并进行预处理；对CenterNet网络结构进行改进；将预处理图片输入改进CenterNet网络结构，生成若干个第一特征图；将第一特征图进行信息叠加，形成若干个第二特征图；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特征图；经过第二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；本发明把分支网络调整为基于多尺度特征层的多输出预测，再通过网络输出结果还原原始预测目标框信息，解决了不同尺度目标预测能力受限问题。

技术领域

本发明涉及计算机视觉的研究领域，特别涉及一种基于CenterNet改进的多尺度缺陷目标检测方法及系统。

背景技术

工业缺陷检测是人类观察产品的“眼睛”，用于监视产品的生产过程并控制良好的表面质量，尤其是在电饭煲生产领域，用户更注重产品的外观质量而不是功能质量。此类产品若有变形、脏污、划痕等表面缺陷，产品的美观度会大打折扣，其价值也会大打折扣。

随着深度学习领域的巨大进步，深度学习在工业缺陷检测中的应用也得到了越来越多的研究。目前从网络模型的算法结构上，可以将此种目标检测所要解决的问题简单地定义为“什么目标在哪里”，它可以分为“二阶段”和“一阶段”的目标检测算法，前者分两步检测目标位置：首先基于区域建议网络(RPN,Region Proposal Network)生成可能的目标框，然后对目标框进行分类，即将检测问题转化为分类问题；后者直接从图像的卷积层特征回归出目标框，即将检测问题转化为回归问题。以往的二阶段网络比后者能达到更高的精度，而一阶段网络直接输入输出则被视为是“端到端”的训练、其推理方式速度快，便于部署，随着人们的深入研究，一阶段网络的精度已大大提高，已有的一阶段网络的精度不亚于二阶段的方法。

当前主流一阶段网络目标检测算法，包括各种单阶段的SSD、RetinaNet等算法都是基于Anchor实现的。Anchor的本质就是候选框，DNN学习了如何对这些候选框进行分类，在不同规模和比例的候选框设计之后，DNN学习了如何分类这些候选框，是否包含物体以及物体的类别，以及postive anchor学习如何使它回归到正确的位置。其所起的作用与传统检测算法中的滑窗等机制相似。但这种设计思路存在一个明显的问题，Anchor的设置需要手工设计，对于不同的数据集也需要不同的设计，相当麻烦，也不符合DNN的设计理念。

在上述这种基于Anchor的方法被人们诟病之后，很多人做出了改进，催生出了基于Anchor free的方法。CenterNet就是一种可视为单阶段的无锚框的算法，避免了设计anchor-box的繁杂，与yolo,ssd,faster_rcnn相比，它依赖于大量anchor-free的目标探测网络，它在速度和精度方面更具优势。

而CenterNet使用的特征提取网络Hourglass，由于其特殊的嵌套结构，是密集连接并深度堆叠的网络。其感受野过大，网络层较深，导致小目标信息丢失较大，因此小目标和密集目标的检测效果表现不佳；并且由于其结构复杂、计算量大、推理速度慢，不适合在轻量级算法中使用。而根据实际电饭煲生产过程观察发现，目前CenterNet用于电饭煲缺陷检测常常存在以下不足：

1.电饭煲缺陷目标往往小而密集，现有CenterNet的目标检测算法不能很好地检测

这样的目标。存在很多误判。

2.CenterNet未达到实际生产过程中的轻量且精度较高的监视。

发明内容