[发明专利]一种基于深度学习的气缸套缺陷标检测方法

权利要求书

1.一种基于深度学习的气缸套缺陷标检测方法，其特征在于，所述检测方法包括以下步骤：

1)采集气缸套图像构建原始数据集，对原始数据集内的图像进行预处理和标注，再将原始数据集按比例分为训练集和测试集两部分；

2)获取训练集的局部缺陷图；

3)利用基于Swin变换器的Mask R-CNN算法进行建模，通过训练集图像的局部缺陷图进行模型训练，得到网络模型；

4)通过得到的网络模型对测试集的图像进行检测；

5)通过掩码机制对检测结果提取兴趣区域增强步骤4)中的检测效果；

6)对网络模型的检测性能进行评价。

2.如权利要求1所述的一种基于深度学习的气缸套缺陷标检测方法，其特征在于，步骤1)中通过采集的气缸套图像制作VOC文件格式的原始数据集，同时利用LabelImg图像标注工具对原始数据集中图像进行标注，标注出原始数据集图像上的缺陷区域及类型，产生xml文件，将原始数据集分为三个类型，即砂痕缺陷、划痕缺陷以及磨损缺陷；所述预处理的方法为先对原始数据集内的图像进行图像随机翻转，裁剪，像素归一化，图像增强，接着进行对图像进行5*5的高斯滤波降噪处理。

3.如权利要求2所述的一种基于深度学习的气缸套缺陷标检测方法，其特征在于，步骤2)中获取局部缺陷图的方法为通过训练集中图像的标注信息人为截取尺寸大小为256*256的局部缺陷图，每一个局部缺陷图均包含缺陷。

4.如权利要求1所述的一种基于深度学习的气缸套缺陷标检测方法，其特征在于，步骤3)中网络模型的建立方法为：

301)将训练集中的局部缺陷图输入到Swin变换器中，得到对应的feature map特征图；

302)对feature map特征图中的每一像素点设定预定个数的ROI，得到多个候选的ROI；

303)将候选的ROI送入Region Proposal Network网络进行处理，并进行Bounding box回归，得到相应的Proposals待检测区域；

304)将得到的Proposals待检测区域利用ROI Align方法准确地提取原图的ROI特征，再对其进行Classification分类、Boundingbox回归和Mask掩码生成，经过不断的迭代训练得到最后的网络模型。

5.如权利要求1所述的一种基于深度学习的气缸套缺陷标检测方法，其特征在于，步骤4)中检测方法为：将测试集中的每个图像都分为64个小图，将每个图像的64个小图输入训练好的网络模型中进行检测并输出结果，最后将输出的64个小图重新拼回每个图像的大小得到每个图像的检测结果。

6.如权利要求5所述的一种基于深度学习的气缸套缺陷标检测方法，其特征在于，步骤5)中所述掩码机制提取兴趣区域的方法为：

A.对于气缸套上端盖图像，首先对上端盖每个图像选取合适阈值进行二值化并使用形态学操作闭运算去除二值化细小的黑点，确保二值化区域包含整个兴趣区域，将该二值化区域作为兴趣区域；

B.对于气缸套上端面图像，首先对上端面每个图像进行坐标测量，根据上端面图像的待检测区域，确定圆心以及最大圆、最小圆半径；画出同样大小的圆环二值化图像，将其作为上端面图像的兴趣区域；

C.对于气缸套内壁图像，其缺陷全部分布在上半部分，为了更好的获得缺陷信息，根据上半部分的轮廓设计一个具体掩码，同上端面提取兴趣区域一样，对其进行坐标测量，根据待检测区域，确定上半部分轮廓信息；画出一样形状的二值化图像提取兴趣区域。

7.如权利要求5所述的一种基于深度学习的气缸套缺陷标检测方法，其特征在于，步骤6)中评价的方法为：利用均值平均精度MAP值来证明网络模型的检测性能，

精确率

召回率

平均精度

均值平均精度

其中，TP是指被正确识别的结果，FP是指识别错误的结果，FN是指未识别的结果，但系统识别为其他缺陷，AP的值是P-R曲线组成的面积，面积越大，效果越好。横坐标为召回率，纵坐标为精确率，AP为对精确度求积分所得到结果，n是缺陷种类的总个数，i是第几种缺陷。