[发明专利]一种基于改进Faster R-CNN的注塑件缺陷检测方法

权利要求书

1.一种基于改进Faster R-CNN的注塑件缺陷检测方法，其特征在于，包括以下步骤：

S1、采集有缺陷的注塑件产品表面的图片作为样本，对样本数据进行扩充并打标签，构建样本数据集；

S2、分别从特征提取、特征融合、小目标检测能力三个维度改进Faster R-CNN网络模型；

S3、采用K-measn++算法对样本数据集进行聚类，利用样本数据集的聚类结果对改进后的Faster R-CNN网络模型进行训练；

S4、使用训练后的Faster R-CNN网络模型对注塑件进行缺陷检测。

2.根据权利要求1所述的一种基于改进Faster R-CNN的注塑件缺陷检测方法，其特征在于，步骤S1中所述对样本数据进行扩充并打标签的过程，具体为：采用数据增强的方法，对数据进行扩充；然后将扩充好后的注塑件图片打标签，用于Faster R-CNN网络模型的训练；所述样本数据集划分为训练集、测试集、验证集。

3.根据权利要求1所述的一种基于改进Faster R-CNN的注塑件缺陷检测方法，其特征在于，所述分别从特征提取、特征融合、小目标检测能力三个维度改进Faster R-CNN网络模型包括：使用残差网络ResNet50替换VGG16作为特征提取网络，采用多尺度特征融合进行特征融合，引入混合注意力机制CBAM，加强小目标的检测性能。

4.根据权利要求1所述的一种基于改进Faster R-CNN的注塑件缺陷检测方法，其特征在于，所述改进Faster R-CNN网络模型包括有：输入模块、特征提取网络模块、多尺度特征融合模块、混合注意力机制模块、输出模块；所述输入模块连接至特征提取模块的输入端，所述特征提取模块的第一、第二、第三和第四输出端分别连接至多尺度特征融合模块的第一、第二、第三和第四输入端，所述多尺度特征融合模块的第一、第二、第三和第四输出端分别连接至混合注意力机制模块的第一、第二、第三和第四输入端，所述混合注意力机制模块的第一、第二、第三和第四输出端连接至输出模块。

5.根据权利要求4所述的一种基于改进Faster R-CNN的注塑件缺陷检测方法，其特征在于，所述残差网络ResNet50的结构包括有顺次连接的第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层和平均池化层；其中第一卷积层连接至特征提取模块的输入端并与输入模块相连接，第二卷积层连接至特征提取模块的第一输出端，第三卷积层连接至特征提取模块的第二输出端，第四卷积层连接至特征提取模块的第三输出端，第五卷积层连接至特征提取模块的第四输出端；

所述第一卷积层的内部结构为顺次连接的[7*7,64](stride:2)、[3*3](stride:2)和最大池化层；所述第二卷积层的内部结构为三层网络结构；所述第三卷积层的内部结构为四层网络结构；所述第四层卷积层的内部结构为六层网络结构；所述第五层卷积层的内部结构为三层网络结构。

6.根据权利要求4所述的一种基于改进Faster R-CNN的注塑件缺陷检测方法，其特征在于，所述多尺度特征融合的结构包括有：四个一类卷积层和四个二类卷积层；其中多尺度特征融合模块的第一输入端依次连接第一个一类卷积层、第一节点、第一个二类卷积层和第一输出端，第二输入端依次连接第二个一类卷积层、第二节点、第二个二类卷积层和第二输出端，第三输入端依次连接第三个一类卷积层、第三节点、第三个二类卷积层和第三输出端，第四输入端依次连接第四个一类卷积层、第四个二类卷积层和第四输出端；其中第四个一类卷积层还经过上采样连接至第三节点，第三节点通过上采样连接至第二节点，第二节点通过上采样连接至第一节点；

所述一类卷积层的结构具体为[1×1，s1]，所述二类卷积层的结构具体为[3×3，s1]；所述多尺度特征融合具体为：通过在不同的特征层上进行预测，并将上层的特征信息通过两倍上采样的方式融合到下层特征中，通过这样自上而下的特征合并，得到的结果中实现了更强的语义信息和高分辨率的结合，提高了目标检测中针对小目标的检测性能。