[发明专利]一种基于改进Mask RCNN的汽车表面擦伤检测方法

权利要求书

1.一种基于改进Mask RCNN的汽车表面擦伤检测方法，其特征在于，包含以下步骤：

步骤S1：采集汽车表面擦伤图片，制作训练集和验证集；

步骤S2：构建基于改进版Mask RCNN的深度学习网络模型；

步骤S3：设置训练过程的权重初始化、超参数及优化器；

步骤S4：将步骤S1中制作的训练集输入步骤S2构建的网络模型进行训练；

步骤S5：将步骤S1中设置的验证集输入到步骤S4中训练好的模型中，计算模型的mAP值，当mAP值大于等于90％时，停止训练，保存模型；当mAP值小于90％时，回到步骤S3中重新进行超参数设置，然后继续进行步骤S4；

步骤S6：将待检测的汽车表面擦伤图片输入到步骤S5中保存的深度学习模型进行推断，获得擦伤的位置、种类以及置信度。

2.根据权利要求1所述的一种基于改进Mask RCNN的汽车表面擦伤检测方法，其特征在于：所述步骤S1中采集车体擦伤图片后，将图片尺寸统一裁剪为112×112，利用LabelMe工具在图片中标注出擦伤部分的位置和形状，将所有图片按8：2的比例分成训练集和测试集。

3.根据权利要求1或2所述的一种基于改进Mask RCNN的汽车表面擦伤检测方法，其特征在于，所述步骤S2的具体过程如下：

S2.1：采用FPN+ResNet50作为特征提取网络；

S2.2：采用Kmeans++算法调整RPN网络中锚框的数量和尺度，当平均交并比不再上升时，选取此时锚框数量为k，将训练集的样本中每个目标框的长宽尺寸设定为二维坐标系上的坐标点，利用Kmeans算法推算调整后的锚框尺寸；

S2.3：使用Soft NMS算法进行非极大值抑制，Soft NMS算法如下式所示：

Soft NMS：

式中：s_i为第i个检测框的得分；b_i为待检测框；M为得分最高候选框；iou(M,b_i)衡量M和b_i的重叠度；N_t为预设阈值。

将所有的候选框按照类别不同分成不同集合，将每个集合中的候选框按照概率值大小降序排列，计算每个集合中的最大概率值的候选框和余下的候选框的IOU值，若IOU值小于设定阈值N_t，则保留，否则将该候选框的概率值设定为

S2.4：ROI池化层采用ROI Align算法；将候选区域划分为4个小区域，每个小区域的ROIAlign算法利用双线性插值算法进行平均值计算。

4.根据权利要求3所述的一种基于改进Mask RCNN的汽车表面擦伤检测方法，其特征在于，所述步骤S3的具体过程如下：

S3.1：设置权重初始化方式为高斯分布；

S3.2：设置设置批量大小为64；

S3.3：优化器采用Adam，采用反向梯度传播法进行模型权重更新。