[发明专利]一种基于多尺度融合的单阶段目标检测神经网络及工业品表面缺陷检测模型

说明书

本发明提供了一种基于多尺度融合的单阶段目标检测神经网络及工业品表面缺陷检测模型，属于图像处理与分析的技术领域。解决了工业品表面缺陷的检测、识别问题，能够提高缺陷检测的识别率、降低小目标缺陷的漏检。本发明的神经网络由“图像预处理层”、“特征提取网络层”、“连接层”、“多尺度融合网络层”和“预测网络层”构成，分别实现“图像数据增强”、“图像特征提取”、“卷积连接”、“图像特征多尺度融合处理”和“对多尺度融合网络层的融合特征进行多种采样处理”的功能。本发明采用最大池化方式进行多尺度融合，增加预测器的数量，实现深层网络对浅层网络特征信息的充分利用；利用训练后的模型能够进行工业品表面缺陷的检测识别。

技术领域

本发明属于图像处理与图像分析的技术领域，具体的涉及一种基于多尺度融合的单阶段目标检测神经网络及工业品表面缺陷检测模型。

背景技术

在产品包装、印刷电路板(Printed Circuit Board，PCB)、玻璃瓶等工业产品的实际生产过程中，由于振动、生产工艺等各方面因素的影响，工业品的表面会产生划痕、气泡等微小瑕疵，这些瑕疵会严重影响工业品的质量，因此需要对工业品的表面瑕疵进行缺陷检测。目前，大多数厂商采用的仍然是人工目检的方法，然而工业品表面的瑕疵往往较小、区分度不高，导致人工检测十分费力、检测效率低、故障率高。利用传统的图像缺陷检测技术对PCB等工业品图像进行缺陷检测，需要对待检测图像进行像素级别的遍历，存在检测速度偏慢、检测识别率不足等诸多问题。近些年来，随着深度学习技术的发展，以卷积神经网络为代表的深度学习在缺陷检测方面得到了广泛的关注。卷积神经网络作为一类包含卷积运算且具有深度结构的前馈神经网络，可以通过前向传播学习缺陷特征以及反向传播调整卷积核参数，智能化的对缺陷图像进行检测，成为当前相关领域的研究热点。

发明内容

鉴于此，为了提高工业品表面缺陷检测的识别率，降低小目标缺陷检测的漏检率，保障工业品表面的质量检测速度，实现较为复杂作业环境、检测背景下的小目标缺陷准确识别，本发明旨在提出一种基于多尺度融合的单阶段目标检测神经网络及工业品表面缺陷检测模型。

为达到上述目的，本发明的技术方案是这样实现的：

步骤1：建立工业品表面缺陷检测的神经网络-一种基于多尺度融合的单阶段目标检测神经网络YOLO_4t，用于工业品表面缺陷检测；

步骤2：获取需检测工业产品的图像训练集，将采集到图像的长宽尺寸、图像类型进行同一化处理；

步骤3：对步骤2所获得的图像训练集进行划分，划分为训练集D-1、验证集D-2和测试集D-3；其中训练集D-1用于对网络模型的训练，验证集D-2用于防止网络模型的过拟合，测试集D-3用于对网络模型性能的测试；

步骤4：对步骤3所述的训练集D-1、验证集D-2和测试集D-3内的图像进行标注分类，整理成YOLO数据集格式；

步骤5：根据步骤2所述的需检测工业产品图像的特征，预设待检测目标的数量并由K-means聚类算法在训练集D-1上获得检测先验框的数量和尺寸；

步骤6：选择步骤1所述的神经网络YOLO_4t，将步骤5所获得的先验框的数据输入到神经网络YOLO_4t的cfg配置文件中；

步骤7：将步骤4处理后的训练集D-1中的图像数据依次输入到神经网络YOLO_4t，根据网络YOLO_4t内的预测器1、预测器2和预测器3的输出，利用网络YOLO_4t内的损失函数，对所述神经网络YOLO_4t内的系列卷积核进行优化，得到优化后的网络模型MM；

步骤8：将步骤4处理后的验证集D-2的缺陷图像输入到步骤7所述网络模型MM中，进行图像的缺陷检测，防止网络模型MM的过拟合；

步骤9：将步骤4处理后的测试集D-3的图像输入到步骤8所述的网络模型MM中，进行网络模型MM的输出和图像实际的验证，获得验证准确率；