[发明专利]一种基于小目标语义分割的工件检测方法

权利要求书

1.一种基于小目标语义分割的工件检测方法，其特征在于，所述方法包括以下步骤：

S1、根据垫片检测要求搭建目标检测算法；

S2、采集多种类型的垫片图像，并进行预处理；

S3、将预处理后的垫片图像分别制作成训练集和测试集；

S4、将步骤S2制成的训练集放入所述目标检测算法当中进行训练；

S5、将步骤S2制成的测试集放入步骤S4训练好的所述目标检测算法当中进行泛化测试；

S6、根据测试结果来评判目标检测算法是否达到所要求的性能指标，若达标，则投入实际生产的检测工序中；若不达标，返回步骤S2。

2.根据权利要求1所述的一种基于小目标语义分割的工件检测方法，其特征在于，所述步骤S1中目标检测算法的搭建具体包括：

分别搭建Backbone网络、目标区域检测网络和实例分割网络，所述Backbone网络采用resnet和FPN，所述目标区域检测网络采用FCOS Head结构，所述实例分割网络采用小目标语义分割结构。

3.根据权利要求1所述的一种基于小目标语义分割的工件检测方法，其特征在于，所述步骤S2的预处理具体包括：

先后对采集到的垫片图像进行整理、清洗和标注，所述整理处理操作为对图片的尺寸方向进行调整，使得所有垫片图像统一成相同的格式；所述清洗处理操作为根据对生产要求对各种类型的垫片进行标签定义；所述标注处理操作为使用标注工具，在垫片标注上与之对应的类型标签，并生成标注文件作为训练正样本，将非垫片部分归类为训练负样本。

4.根据权利要求2所述的一种基于小目标语义分割的工件检测方法，其特征在于，所述Backbon网络结构采用resnet-50，将输入图像resize设置为224x224x3，第一层采用64个7x7大小的卷积核进行步长为2的卷积操作；第二层为3x3，步长为2的最大池化操作；第三层到第十一层为第一组残差块操作，将图像尺寸降为56x56，通道上升至256；第十二层到第二十三层为第二组残差块操作，将图像尺寸降为28x28，通道上升为512；第二十四层到第四十一层为第三组残差块操作，将图像尺寸降为14x14，通道上升为1024；第四十二层到第五十层为第四组残差块操作，将图像尺寸降为7x7，通道上升为2048；最后一层不进行平均池化，接上特征金字塔网络FPN层，以获得图像的特征。

5.根据权利要求2所述的一种基于小目标语义分割的工件检测方法，其特征在于，所述目标区域检测网络结构采用FCOSHead结构进行检测，所述FCOSHead结构主要是对获得的特征进行proposal生成和提取，最后获得准确的特征位置。

6.根据权利要求2所述的一种基于小目标语义分割的工件检测方法，其特征在于，所述小目标语义分割结构由级联状的双图层神经网络组成，第一图层负责对遮挡物体进行建模，主要由卷积层、图卷积层、FCN层、最后两个卷积层组成，所述第一图层主要是从特征子图中，检测出遮挡物的边界和掩膜；第二图层结构与第一图层相同，构成了级联网络关系，但输入上第二图层将第一图层获得的边界和掩膜和原特征子图进行图像线性操作，获得新的输入，并对该输入进行与第一图层同样的操作，最终获得被遮挡物边界与掩膜。

7.根据权利要求2所述的一种基于小目标语义分割的工件检测方法，其特征在于，所述目标检测算法的工作流程为：Backbone网络对输入的垫片图像进行特征提取，然后用目标区域检测网络预测出感兴趣目标区域候选框坐标；将获得的特征子图输入到小目标语义分割中进行实例分割，即可得到最终结果。

8.根据权利要求2所述的一种基于小目标语义分割的工件检测方法，其特征在于，所述步骤S6还包括：

所述性能指标是根据目标检测算法对垫片的分类识别准确度进行统计，分别计算误检率和准确率，如果性能不达标，则不断增加垫片图像的数量与种类以提高目标检测算法对垫片图像的检测丰富度，同时调节正负样本的比例，增强目标检测算法对负样本的排除能力。