[发明专利]基于辅助学习网络的竹条缺陷检测方法

权利要求书

1.一种基于辅助学习网络的竹条缺陷检测方法，其特征在于，包括以下步骤：

步骤S1:采集竹条缺陷数据，并通过标定，生成数据集；

步骤S2:对数据集进行预处理，并将预处理后的数据集作为训练集；

步骤S3：基于训练集训练骨干网络和辅助定位检测网络，进一步得到物体预测矩阵、边框尺寸预测矩阵和边框偏移预测矩阵；

所述步骤S3具体为：

步骤S31:输入竹条图像I经过辅助定位检测网络的降采样特征提取表示模块、多尺度特征融合模块、特征传递输出模块分别得到竹条图像特征F_d^I、F_m^I、F_L^I；

步骤S32:输入竹条图像I经过骨干网络的下采样模块、上采样模块特征融合部分、特征结合传递输出模块，得到特征结合传递输出模块特征F₁^I、

步骤S33:冻结骨干网络，将骨干网络的参数进行传递到下一步，但不进行更新，只训练辅助定位检测网络；

步骤S34:训练辅助定位检测网络至损失loss趋于稳定后，放开冻结，将骨干网络与辅助定位检测网络一同训练；

步骤S35:将竹条特征图F_d^I、F_m^I、F_L^I分别与特征F₁^I、进行融合传递；

步骤S36:采取以中心点检测为目标的网络,以预测热力图中心点视为检测目标,将步骤S35融合得到的特征图经过一个3×3的卷积后，经过rule激活函数激活后再经过一个1×1的卷积，得到物体预测矩阵；

步骤S37:将步骤S35融合得到的特征图经过一个3×3的卷积后，经过rule激活函数激活后再经过一个1×1的卷积得到边框尺寸预测矩阵.

步骤S38:将步骤S35融合得到的特征图经过一个3×3的卷积后，经过rule激活函数激活后再经过一个1×1的卷积得到边框偏移预测矩阵；

步骤S4:根据得到的物体预测矩阵、边框尺寸预测矩阵和边框偏移预测矩阵，分别计算物体预测损失、边框尺寸预测损失、边框偏移预测损失，并进一步计算网络总损失；

步骤S5:将待测图像经过预处理后输入训练后的训练骨干网络和辅助定位检测网络，得到检测结果。

2.根据权利要求1所述的基于辅助学习网络的竹条缺陷检测方法，其特征在于，所述预处理具体为:对不同产地的竹条和不同批次的竹条所呈现的颜色差别，在每次训练前随机的在图像的HSV空间进行微调，并加上随机颜色抖动。

3.根据权利要求1所述的基于辅助学习网络的竹条缺陷检测方法，其特征在于，所述步骤S4具体为：

步骤S41:将物体预测矩阵与实际物体矩阵进行比较，计算两个矩阵之间的focal损失focal_loss

步骤S42:将物体边框预测矩阵与实际物体边框矩阵进行比较，计算两个矩阵之间的梯度均衡损失(GHM loss)L_size；

步骤S43:将物体偏移框预测矩阵与实际物体边框矩阵进行比较，计算两个矩阵之间的L1损失L_off

步骤S44:将物体预测矩阵的损失focal_loss、边框尺寸预测矩阵的损失L_size、边框偏

移预测矩阵的损失L_off赋予不同的权重，作为网络更新的总损失，其计算公式为

其中β＝0.1，γ＝1。

4.根据权利要求1所述的基于辅助学习网络的竹条缺陷检测方法，其特征在于，所述步骤S5具体为：

步骤S51:将待测图像经过预处理后输入训练后的训练骨干网络和辅助定位检测网络，得到物体预测矩阵、尺寸预测矩阵和边框预测矩阵；

步骤S52:遍历物体预测矩阵的所有通道，然后找到每个通道的物体预测矩阵的激活点，即每个矩阵不为零的点，那么这个点所在的坐标即物体坐标，这个点所在的通道即其所属的类别；

步骤S53:将得到的物体坐标代入尺寸预测矩阵中，所得到的值即为检测到的目标的大小；

步骤S54:将得到物体坐标、所属的类别和标的大小输出，得到检测结果。