一种基于深度学习的皮带缺陷检测方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115993365A(43)申请公布日2023.04.21(21)申请号202310286834.2G06V10/77(2022.01)(22)申请日2023.03.23G06V10/82(2022.01)(71)申请人山东省科学院激光研究所地址272071山东省济宁市高新区海川路46号山东省科学院激光研究所综合楼申请人齐鲁工业大学（山东省科学院）(72)发明人王纪强宋震刘真梅赵林侯墨语李振(74)专利代理机构北京弘权知识产权代理有限公司11363专利代理师逯长明占园(51)Int.Cl.G01N21/88(2006.01)G06T7/00(2017.01)G06N3/084(2023.01)权利要求书3页说明书9页附图6页(54)发明名称一种基于深度学习的皮带缺陷检测方法及系统(57)摘要本申请提供一种基于深度学习的皮带缺陷检测方法及系统，检测方法包括：构建皮带训练网络模型，构建构建皮带训练网络模型包括随机仿射变换特征提取处理步骤、激励注意力机制处理步骤和小目标检测头处理步骤；训练皮带训练网络模型得到目标权重文件；向皮带底部发射激光；获取皮带待检测图片；对皮带待检测图片进行解析检测处理得到像素块组；比对像素块组与所述目标权重文件，得到比对结果；判断比对结果是否大于比对阈值；若是，则生成用于关闭皮带机的控制指令。本申请通过上述检测方法及系统提高了对皮带缺陷的不同位置的特征提取能力，提高激光线缺陷特征在所有特征中的占比，提高对缺陷的检测精准度，优化了缺陷检测的泛化能力。CN115993365ACN115993365A权利要求书1/3页1.一种基于深度学习的皮带缺陷检测方法，其特征在于，所述检测方法包括：构建皮带训练网络模型，所述构建皮带训练网络模型包括随机仿射变换特征提取处理步骤、激励注意力机制处理步骤和小目标检测头处理步骤；训练所述皮带训练网络模型得到目标权重文件；获取向所述皮带底部发射激光时，所述皮带表面的待检测图像；对所述皮带待检测图片进行解析检测处理得到像素块组；比对所述像素块组与所述目标权重文件，得到比对结果；判断所述比对结果是否大于比对阈值；若是，则生成用于关闭皮带机的控制指令。2.根据权利要求1所述的一种基于深度学习的皮带缺陷检测方法，其特征在于，所述随机仿射变换特征提取处理步骤包括：获取若干张皮带缺陷图片；对所述皮带缺陷图片进行随机仿射变换处理得到仿射图片；对所述仿射图片进行拆分处理得到拆分图片；所述随机仿射变换特征提取处理步骤之后还包括：利用卷积对所述拆分图片进行通道整合处理得到扩充图片；对所述扩充图片进行特征提取处理得到第一特征分支，留存所述第一特征分支；对所述第一特征分支依次进行所述通道整合处理和所述特征提取处理得到第二特征分支，留存所述第二特征分支；对所述第二特征分支依次进行所述通道整合处理和所述特征提取处理得到第三特征分支，留存所述第三特征分支；对所述第三特征分支进行特征池化处理得到池化特征；对所述池化特征进行特征提取处理得到第四特征分支，留存所述第四特征分支。3.根据权利要求2所述的一种基于深度学习的皮带缺陷检测方法，其特征在于，所述激励注意力机制处理步骤包括：分别对所述第一特征分支、所述第二特征分支、所述第三特征分支和所述第四特征分支进行特征最大化处理得到扩充特征；对所述扩充特征进行激励处理得到激励特征；利用sigmoid函数对所述激励特征进行归一化处理得到特征权重；将所述特征权重和与所述特征权重对应的特征通道相乘得到权重特征通道。4.根据权利要求3所述的一种基于深度学习的皮带缺陷检测方法，其特征在于，所述小目标检测头处理步骤包括：对所述扩充特征进行采样处理得到第一采样特征；对所述第一采样特征进行采样处理得到第二采样特征；将所述第二采样特征和所述第一特征分支进行糅合处理得到第一小目标特征；对所述第一小目标特征依次进行所述通道整合处理和所述特征提取处理得到目标小目标特征；利用所述sigmoid函数对所述目标小目标特征进行归一化处理得到小目标特征权重；将所述小目标特征权重和与所述小目标特征权重对应的特征通道相乘得到小目标权2CN115993365A权利要求书2/3页重特征通道；对所述权重特征通道和所述小目标权重特征通道进行预测处理得到所述皮带训练网络模型。5.根据权利要求3所述的一种基于深度学习的皮带缺陷检测方法，其特征在于，所述分别对所述第一特征分支、所述第二特征分支、所述第三特征分支和所述第四特征分支进行特征最大化处理步骤还包括：分别对所述第一特征分支、所述第二特征分支、所述第三特征分支和所述第四特征分支进行全局平均池化得到第一扩充特征；将所述第一扩充特征和所述第一特征分支进行糅合处理得到所述扩充特征。6.根据权利要求4所述的一种基于深