[发明专利]基于多尺度检测的重型部件涂装表面缺陷检测方法在审
| 申请号： | 202210394202.3 | 申请日： | 2022-04-15 |
| 公开（公告）号： | CN114972181A | 公开（公告）日： | 2022-08-30 |
| 发明（设计）人： | 石争浩;韩荣杰;刘奔;高峰 | 申请（专利权）人： | 西安理工大学 |
| 主分类号： | G06T7/00 | 分类号： | G06T7/00;G06N3/04;G06N3/08;G06V10/52;G06V10/774;G06V10/82;G06K9/62 |
| 代理公司： | 西安弘理专利事务所 61214 | 代理人： | 许志蛟 |
| 地址： | 710048 陕*** | 国省代码： | 陕西;61 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 基于 尺度 检测 重型 部件 表面 缺陷 方法 | ||
1.基于多尺度检测的重型部件涂装表面缺陷检测方法，其特征在于：具体包括如下步骤：
步骤1，将图像数据集划分为训练集和测试集，并对训练集图像进行预处理；
步骤2，构建基于可变形卷积和注意力卷积神经网络的多尺度模型；
步骤3，利用步骤1中预处理后的图像对步骤2构建的模型进行训练；
步骤4，将步骤1测试集中的数据输入到步骤3训练好的模型中，最终输出检测结果。
2.根据权利要求1所述的基于多尺度检测的重型部件涂装表面缺陷检测方法，其特征在于：所述步骤1中，对训练集图像进行预处理的过程为：进行图像增强处理。
3.根据权利要求2所述的基于多尺度检测的重型部件涂装表面缺陷检测方法，其特征在于：所述步骤2的具体过程为：
步骤2.1，构建主干网络，主干网络包括基础卷积层CBM、CSPN模块、CSP_DCN模块；
步骤2.2，基于步骤2.1构建的主干网络构建特征增强网络，得到特征向量；
步骤2.3，构建检测头网络yolo_head，将步骤2.2得到的特征向量输送到步骤2.3构建的三个不同尺寸的检测头网络yolo_head中，得到三个输出特征向量Out1、Out2、Out3；
步骤2.4对步骤2.3得到的三个输出特征向量Out1、Out2、Out3进行解码，输出图像的缺陷框、缺陷类别、置信度。
4.根据权利要求3所述的基于多尺度检测的重型部件涂装表面缺陷检测方法，其特征在于：所述步骤3的具体过程为：利用损失函数对步骤2构建的网络进行训练，然后反向传播进行参数更新；总损失函数L为：
L＝LCIoU+Lconf+Lcls (1)；
其中，Lconf为置信度误差损失函数；Lcls为分类误差损失函数；LCIoU为位置损失函数。
5.根据权利要求4所述的基于多尺度检测的重型部件涂装表面缺陷检测方法，其特征在于：所述步骤3中，置信度误差损失函数Lconf包括两部分，一部分为有目标时的置信度，另一个部分为没有目标时的置信度，如下公式(2)所示：
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于西安理工大学，未经西安理工大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/202210394202.3/1.html，转载请声明来源钻瓜专利网。
