[发明专利]一种基于多尺度特征融合SSD的缺陷检测方法及设备

说明书

本申请的目的是提供一种多尺度特征融合SSD的缺陷检测方法及设备，本申请通过基于待检测缺陷特征确定SSD特征提取模型；获取目标图像；将所述目标图像放入所述SSD特征提取模型中进行缺陷特征提取，得到缺陷特征图集；通过非极大值抑制方法对所述缺陷特征图集进行目标定位和检测，得到缺陷检测结果，即在根据不同的待检测缺陷特征对SSD特征提取模型进行建模，增强SSD算法对特征层重要特征的提取并弱化无关特征，从而提高SSD网络的特征提取能力，确保微精密玻璃封装电连接器缺陷检测精确度和效率。

技术领域

本申请涉及计算机领域，尤其涉及一种基于多尺度特征融合SSD的缺陷检测方法及设备。

背景技术

现有技术中，微精密玻璃封装电连接器广泛应用于各种精密电子装备。它起着组件与组件之间进行电气连接和信号传递的重要功能，是保证整个系统可靠工作的重要基础元件。在生产过程中受工艺的影响表面会产生许多缺陷，从而严重影响产品质量。传统的检测依靠人工借助放大镜或者影像仪来检测，其检测精度低、工作量大。精密玻璃封装电连接器(简称为“微电连接器”)的绝缘体部分直径为2-5mm，主要有低温玻璃层、高温玻璃层和可伐合金柱组成。其中，低温玻璃由于密度较小、质地较为蓬松并且含有少量铅，在工业生产中极易因为温度把控不好产生气孔、缺块、黑点等缺陷，当制作的玻坯质量较差或烧结的工艺条件控制不佳时，烧结后玻璃的孔隙率较高。如果把有缺陷问题的玻璃封装电连接器装配应用，造成装配后的产品不可用或质量不好并需要返工，造成巨大的经济损失。传统的检测主要依靠人工借助放大镜或者影像仪完成，检测标准不一、工作量大、强度高，并且容易因为人为原因造成漏检和错检使得检测效率和精度低下。

传统目标检测方法需要使用图像处理的方法对缺陷进行特征提取，再将这些特征传入SVM进行训练，但是由于玻璃封装电连接器的缺陷特征微弱，并且表面有许多的噪声干扰，特征提取十分困难，并且检测精度和速度都很低。基于深度学习的目标检测算法具有自主学习缺陷特征的能力，具有很高的检测精度和速度。近年来随着深度学习技术在目标检测领域大放异彩，具有精度高、速度快特点，早期的一些传统的目标检测方法逐渐被淘汰。SSD算法是一种实时、高精度的目标检测算法，该算法最主要的特点是利用具有不同尺度的特征图进行目标的检测和识别，其主干特征提取网络是VGG 16。SSD在背景复杂、噪声干扰多、目标特征微弱环境下，存在特征提取能力弱、检测精度低的问题。

因此，基于SSD(Sing shot multibox detector)算法，改善SSD在背景复杂、噪声干扰多、目标特征微弱环境下，特征提取能力弱、检测精度低的问题从而提高微精密玻璃封装电连接器的缺陷检测精确度和效率是本领域技术人员需要继续研究的方向。

发明内容

本申请的一个目的是提供一种基于多尺度特征融合SSD的缺陷检测方法及设备，以解决现有技术中对微精密玻璃封装电连接器缺陷检测过程中特征提取能力弱、缺陷检测精度低的问题。

根据本申请的一个方面，提供了一种多尺度特征融合SSD的缺陷检测方法包括：

基于待检测缺陷特征确定SSD特征提取模型；

获取目标图像；

将所述目标图像放入所述SSD特征提取模型中进行缺陷特征提取，得到缺陷特征图集；

通过非极大值抑制方法对所述缺陷特征图集进行目标定位和检测，得到缺陷检测结果。

进一步地，上述多尺度特征融合SSD的缺陷检测方法中，所述基于待检测缺陷特征确定SSD特征提取模型，包括：

从SSD特征提取网络结构中的卷积层中确定特征预测层；

在低层的所述特征预测层构建深度残差结构；

对所述特征预测层进行特征层融合，并引入轻量级注意力机制得到SSD特征提取模型。