[发明专利]一种基于目标检测的缺陷检测方法

权利要求书

1.一种基于目标检测的缺陷检测方法，其特征在于，包括以下步骤：

步骤S1，采集训练图像，其步骤如下：

步骤S1.1，通过CCD摄像机采集图像，包括含缺陷的图像和不含缺陷的图像；

步骤S1.2，对缺陷位置进行人工标记，生成二值标记图像；

步骤S2，缺陷图像数据扩增，其步骤如下：

步骤S2.1，缺陷定位和裁剪；

步骤S2.2，缺陷区域图像预处理；

步骤S2.3，图像融合，其步骤如下：

步骤S2.3.1：对预处理后的缺陷区域图像进行局部自适应阈值分割，提取出更精确的缺陷区域图像；

步骤S2.3.2：随机选取无缺陷图像；

步骤S2.3.3：在无缺陷图像尺寸范围内随机生成一个位置坐标，并将缺陷区域图像的中心点与该坐标对齐，用缺陷区域图像像素值替换无缺陷图像像素值从而完成缺陷区域图像和无缺陷图像的融合；

步骤S3，缺陷区域标记；

步骤S4，构建缺陷检测模型；

步骤S5，模型训练；

步骤S6，输出缺陷检测结果；

其中所述步骤S2.1包括如下步骤：

步骤S2.1.1：遍历二值化标记图像，生成一个边界与图像坐标轴平行，并将缺陷区域完全包含的最小矩形；

步骤S2.1.2：以得到的最小矩形为裁剪边界，得到缺陷区域图像；

所述步骤S2.2包括如下步骤：

步骤S2.2.1：对缺陷区域图像行缩放；

步骤S2.2.2：对缺陷区域图像进行垂直翻转和水平翻转；

步骤S2.2.3：对缺陷区域图像进行旋转；

步骤S2.2.4：对缺陷区域图像进行随机仿射变换；

其中所述步骤S3包括如下步骤：

步骤S3.1：遍历二值化标记图像，得到缺陷区域图像中所有像素点的坐标最大值(x_max，y_max)和最小值(x_min，y_min)，对于扩增数据，坐标值由步骤S2.3.2生成的随机坐标计算得到；

步骤S3.2：缺陷区域像素点坐标最大值和最小值的归一化处理：(x_max/width，y_max/height)，x_min/width，y_min/height)，其中width、height分别是图像的宽度和高度；

其中所述步骤S4包括如下步骤：

步骤S4.1，对输入到卷积神经网络中的图像进行特征提取，从而得到特征图；

步骤S4.2，根据特征图提取候选框，并得到候选框范围内特征信息；

步骤S4.3，对特征信息使用分类器对缺陷类别进行分类；

步骤S4.4，对于某一特征的候选框，使用回归器调整位置，使候选框位置更精确。

2.如权利要求1所述的方法，其特征在于，所述步骤S4.2包括如下步骤：

步骤S4.2.1：在步骤S4.1得到的特征图上，进行卷积操作得到每个位置的特征向量；

步骤S4.2.2：基于步骤S4.2.1得到特征向量，每个位置生成不同长宽的候选框；

步骤S4.2.3：根据候选框的置信度进行排序，按置信度从高到低选取最终的候选框。

3.如权利要求1所述的方法，其特征在于，所述步骤S5中，模型训练指的是利用随机梯度下降法优化目标函数(1)：

公式(1)中第一项为分类损失，第二项为回归损失，i为候选框的序号，p_i为候选框包含目标缺陷的概率；p_i^*为标签，表示目标缺陷是否在候选框内，包含目标时取值为1，不包含目标时取值为0；t_i＝{t_x,t_y,t_w，t_h}是一个向量，表示候选框预测的偏移量，其中t_x、t_y、t_w、t_h分别代表候选框左上方顶点的横坐标、纵坐标、候选框宽度、候选框高度预测的偏移量；t_i^*是与t_i相同维度的向量，表示候选框相对于实际标记的偏移量；N_cls为候选框的数目；N_reg为特征图的尺寸；λ控制候选框的精确度；∑_i表示对所有候选框的损失进行求和；

L_cls(p_i,p_i^*)为包含目标缺陷和不包含目标缺陷两个类别的对数损失，由公式(2)决定：

L_cls (p_i，p_i^*)＝-log[p_i^*p_i+(1-p_i^*)(1-p_i)] (2)

L_reg(t_i,t_i^*)为分类框范围的回归损失，由公式(3)决定，其中σ是使损失函数平滑的范围；