一种基于深度学习的刹车盘外表面缺陷检测方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114119562A(43)申请公布日2022.03.01(21)申请号202111431599.0G06V10/82(2022.01)(22)申请日2021.11.29G06N3/04(2006.01)G06N3/08(2006.01)(71)申请人青岛理工大学G01N21/01(2006.01)地址266000山东省青岛市青岛经济技术开发区嘉陵江路777号申请人烟台朗文汽车零部件有限公司(72)发明人陈成军邹剑沈飞翔张超(74)专利代理机构福州科扬专利事务所(普通合伙)35001代理人张红艳(51)Int.Cl.G06T7/00(2017.01)G06V10/80(2022.01)G06V10/40(2022.01)G06V10/762(2022.01)权利要求书2页说明书6页附图2页(54)发明名称一种基于深度学习的刹车盘外表面缺陷检测方法及系统(57)摘要本发明涉及一种基于深度学习的刹车盘外表面缺陷检测方法及系统，所述方法包括如下步骤：获取样本图像集；构建目标检测模型，所述目标检测模型包括特征提取模块、特征融合模块和检测模块；特征提取模块包括主干网络、辅助网络和融合单元，主干网络和辅助网络均包括若干层用于提取图像特征的提取层；利用样本图像集训练所述目标检测模型；获取待测物品图像；将待测物品图像输入至训练好的目标检测模型，特征提取模块输出由待测物品图像得到的若干个特征图至融合模块，融合模块输出由所述若干个特征图得到的若干个多尺度特征图至检测模块，检测模块输出待测物品图像中的目标类型和目标位置。CN114119562ACN114119562A权利要求书1/2页1.一种基于深度学习的刹车盘外表面缺陷检测方法，其特征在于，包括如下步骤：获取样本图像集，样本图像为标注有目标类型和目标位置的物体图像；构建目标检测模型，所述目标检测模型包括特征提取模块、特征融合模块和检测模块；特征提取模块包括主干网络、辅助网络和融合单元，主干网络和辅助网络均包括若干层用于提取图像特征的提取层；利用样本图像集训练所述目标检测模型；获取待测物品图像；将待测物品图像输入至训练好的目标检测模型，特征提取模块输出由待测物品图像得到的若干个特征图至融合模块，融合模块输出由所述若干个特征图得到的若干个多尺度特征图至检测模块，检测模块输出待测物品图像中的目标类型和目标位置；其中，所述若干个特征图包括由融合单元对主干网络和辅助网络同层提取层输出的图像特征进行特征融合得到的特征图，以及将该特征图输入至主干网络和/或辅助网络下一提取层得到的新的特征图。2.根据权利要求1所述的一种基于深度学习的刹车盘外表面缺陷检测方法，其特征在于，所述主干网络包括a层提取层，辅助网络包括b层提取层，a＞b＞0；所述特征提取模块输出由待测物品图像得到的若干个特征图至特征融合模块，具体为：S1：待测物品图像分别输入至主干网络和辅助网络的第一层提取层；S2：融合单元对主干网络和辅助网络同层提取层输出的图像特征进行特征融合，得到特征图；若存在主干网络和辅助网络下一层提取层，则将特征图分别输入至主干网络和辅助网络下一层提取层；否则，将特征图输入至主干网络下一层提取层；S3：重复步骤S2，直至主干网络第a层提取层输出特征图；S4：从生成的所有特征图中选出若干个特征图输出至特征融合模块。3.根据权利要求1所述的一种基于深度学习的刹车盘外表面缺陷检测方法，其特征在于，所述提取层包括若干个卷积层、批标准化层和激活层。4.根据权利要求3所述的一种基于深度学习的刹车盘外表面缺陷检测方法，其特征在于，所述激活层中采用ACON类激活函数。5.根据权利要求1所述的一种基于深度学习的刹车盘外表面缺陷检测方法，其特征在于，还包括：利用样本图像集生成若干个锚框；检测模块利用所述若干个锚框，分别检测所述若干个多尺度特征图，输出待测物品图像中的目标类型和目标位置。6.根据权利要求5所述的一种基于深度学习的刹车盘外表面缺陷检测方法，其特征在于，所述利用样本图像集生成若干个锚框，具体为：通过K‑means++算法对样本图像集中的若干个缺陷信息进行聚类分析；其中，在选择聚类中心时：随机选第一个聚类中心，再利用轮盘赌算法，选择剩余聚类中心。7.根据权利要求1所述的一种基于深度学习的刹车盘外表面缺陷检测方法，其特征在于，所述样本图像具体为标注有缺陷类型和缺陷位置的刹车盘外表面图像；利用所述样本图像集训练目标检测模型，使目标检测模型输出待测刹车盘外表面图像中的缺陷类型和缺陷位置。8.一种基于深度学习的刹车盘外表面缺陷检测系统，其特征在于，包括图像采集装置，2CN114119562A权利要求书2/2页搭载有目标检测模型的检测装置；所述目标检测模型包括特征提取模块