[发明专利]一种基于深度神经网络Mask R-CNN的缺陷检测算法在审
| 申请号： | 202010821216.X | 申请日： | 2020-08-14 |
| 公开（公告）号： | CN111986170A | 公开（公告）日： | 2020-11-24 |
| 发明（设计）人： | 郭龙源;段厚裕;周武威;欧先锋;张国云;吴健辉;鲁敏;滕书华 | 申请（专利权）人： | 湖南理工学院;湖南拓视觉信息技术有限公司 |
| 主分类号： | G06T7/00 | 分类号： | G06T7/00;G06T7/11;G06N3/08;G06N3/04 |
| 代理公司： | 广东有知猫知识产权代理有限公司 44681 | 代理人： | 李小波 |
| 地址： | 414000 *** | 国省代码： | 湖南;43 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 一种 基于 深度 神经网络 mask cnn 缺陷 检测 算法 | ||
1.一种基于深度神经网络Mask R-CNN的缺陷检测算法，其特征在于：包括以下步骤：
S1、利用基于ResNet50的特征金字塔网络(FPN)提取特征；
S2、利用区域建议网络(RPN)提取缺陷区域的感兴趣区域(ROI)从而得到相应的锚框；
S3、利用全卷积神经网络(FCN)对ROI内部的像素类别进行预测以实现缺陷分割；
S4、最后通过网络的全连接层实现每个ROI所属类别和相应锚框坐标的预测。
2.根据权利要求1所述的一种基于深度神经网络MaskR-CNN的缺陷检测算法，其特征在于：所述不同ROI的方法定义为如下公式：
3.根据权利要求2所述的一种基于深度神经网络MaskR-CNN的缺陷检测算法，其特征在于：所述k0是标准值，设置为4。
4.根据权利要求1所述的一种基于深度神经网络MaskR-CNN的缺陷检测算法，其特征在于：所述Mask R-CNN的特征提取层前加入有限制对比度自适应直方图均衡化的CLAHE预处理模块。
5.根据权利要求4所述的一种基于深度神经网络MaskR-CNN的缺陷检测算法，其特征在于：所述CLAHE预处理模块在预处理中，必须对每个小区域进行对比度限幅，同时CLAHE通过限制AHE算法的对比改善程度，克服AHE的过度放大噪声问题。
6.根据权利要求5所述的一种基于深度神经网络MaskR-CNN的缺陷检测算法，其特征在于：所述CLAHE预处理模块通过变换函数的斜度来放大给定像素周围的对比度，且斜度和其累积直方图斜度成正比，具体操作为先用预定的阈值用来裁剪直方图，然后其限制放大幅度通过计算CDF来达到，最后通过邻域的大小和直方图的分布来决定直方图的裁剪限幅。
7.根据权利要求6所述的一种基于深度神经网络MaskR-CNN的缺陷检测算法，其特征在于：所述裁剪限幅的部分平均放到直方图的空余部分，并采用计算公式如下：
8.根据权利要求1所述的一种基于深度神经网络MaskR-CNN的缺陷检测算法，其特征在于：Mask R-CNN的损失函数Loss由三部分组成，
Loss＝Lcls+Lbox+Lmask#(1)。
9.根据权利要求1所述的一种基于深度神经网络MaskR-CNN的缺陷检测算法，其特征在于：所述FPN中增加有C1模块，并取消了C1模块中的池化层，所述C1模块的特征提取层结构包括down-top、top-down和lateral conn，所述down-top对应于Resnet50中的ResidualBlock结构，每层的Scale缩小2倍，所述top-down通过将高层低分辨率的特征图进行2倍上采样，所述lateral conn通过1x1卷积来减少C1的特征层个数的同时，保证特征层尺寸大小不变，然后和C2经过top-down上采样的特征图直接相加后输出，通过上述操作一直迭代到生成最后分辨率的特征图。
10.根据权利要求1-9所述的一种基于深度神经网络Mask R-CNN的缺陷检测算法，其特征在于：所述缺陷检测算法应用于磁瓦缺陷检测中。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于湖南理工学院;湖南拓视觉信息技术有限公司，未经湖南理工学院;湖南拓视觉信息技术有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/202010821216.X/1.html，转载请声明来源钻瓜专利网。
