[发明专利]一种针对工业结构缺陷智能识别模型的检验方法

说明书

本发明公开了一种针对工业结构缺陷智能识别模型的检验方法，包括步骤：1)预备阶段，通过图像采集、整理与筛选形成检验数据集，对每一张图片使用矩形框标记待检对象，之后将检验数据集中的图像输入待检验识别网络，获取其识别结果；2)按照工程要求选择置信度阈值，在单张图像内计算每一个置信度高于阈值的识别标记框与每一个预设答案标记框的重合度值CAr；3)构建单张图像的重合度矩阵；4)按照工程要求选择重合度阈值，并判断识别框正误并统计数量；5)计算得到评估模型的识别检出率与准确率。本发明能够克服传统mAP检验方法在计算多尺度可分割目标识别效果时，识别框大范围抖动重叠导致的模型评估结果失真问题。

技术领域

本发明属于人工智能技术领域，具体涉及一种针对工业结构缺陷智能识别模型的检验方法。

背景技术

人工智能技术已经成为当今全球科研、产业发展的潮头，这一领域技术的进步引导着各行各业进入一轮前所未见的技术革新浪潮，目前，人工智能技术已经开始向生产生活中的各个方面渗透。在传统工业领域，安全监测需要耗费巨大的人力物力，人工智能技术，尤其是其中的智能识别模型已经成为了该问题的一种新的高效解决方案。

2015年由任少卿等人公开发表的论文“faster r-cnn：towards real timeobject detection with region proposal networks”[1]，提供了一种能够直接从图片中定位与识别多类对象的高速、高准确率方法，其结构简图见附图1。该模型首先使用深度卷积神经网络对图像中的特征与信息进行提取，形成特征图，随后引入锚点与候选框的概念并使用Regionproposalnetwork(RPN)对所有候选框进行二分，最后以选中候选框的边界为依据，从提取的特征图中将对应位置提取的特征使用Softmax分类器进行分类识别。除此之外，还有数个功能类似的智能识别网络被提出，他们的共同特征在于：为每一个被识别出的对象使用通过四个参数在图像中完全定义的矩形方框标记，同时一个对象会产生多个小范围抖动的识别框。实际的科学研究与工程应用中，往往使用非极大值抑制(NMS)处理算法来克服单一对象重复识别的问题。

智能识别模型是否能够有效、可靠地完成识别任务是该类模型在应用与工业缺陷识别应用时最关心的问题。因此，模型检验指标在算法开发、科学研究、工程应用等方面都十分重要，客观的检验方法是模型优化及工业产品评价的前提。当前，在智能识别领域普遍使用的平均精度(mAP)方法是一种客观有效的检验手法，但实践中发现，在视觉效果相差无异的情况下，工业缺陷识别检验中获取的mAP指标远低于相同算法对一般对象识别的水平。通过多次网络训练与检验研究，发现这一问题普遍存在于一类特殊目标中：多尺度可分割目标，即该类对象图像上的任何一个部分均可以认为是一个独立的目标，附图2对这一特征作了简示。这使得对于一个对象的抖动识别框覆盖范围极大，非极大值抑制(NMS)处理算法不再有效，据此得到的模型检验指标也不再客观可信。

参考文献：

[1]Ren S,He K,Girshick R,et al.Faster R-CNN:towards real-time objectdetection with region proposal networks[C]//International Conference onNeural Information Processing Systems.MIT Press,2015:91-99.

发明内容

本发明的目的在于提供一种简洁、高效、实用意义明确的针对工业结构缺陷智能识别模型的检验方法，该方法能够克服传统mAP检验方法在计算多尺度可分割目标识别效果时，识别框大范围抖动重叠导致的模型评估结果失真问题。

本发明通过以下技术方案来实现的：

一种针对工业结构缺陷智能识别模型的检验方法，包括以下步骤：