一种图像异物检测方法.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CN113989600A(43)申请公布日2022.01.28(21)申请号202111140361.2G06V10/82(2022.01)(22)申请日2021.09.28G06K9/62(2022.01)G06N3/04(2006.01)(71)申请人上海师范大学G06N3/08(2006.01)地址200234上海市徐汇区桂林路100号(72)发明人黄慧邓姗姗马燕(74)专利代理机构上海宛林专利代理事务所(普通合伙)31361代理人张明(51)Int.Cl.G06V10/80(2022.01)G06V10/774(2022.01)G06V10/764(2022.01)G06V10/766(2022.01)G06V10/25(2022.01)G06V10/44(2022.01)权利要求书2页说明书6页附图4页(54)发明名称一种图像异物检测方法(57)摘要本发明公开了一种图像异物检测方法、装置及电子设备，其中方法包括以下步骤：获取待检测图像，并对所述待检测图像分别在空间域和频率域进行预处理，对预处理后的图像进行标注并作为深度学习网络的数据集；将数据集发送到FasterR‑CNN的特征提取网络，得到对应特征图；将生成的特征图发送到调整锚点大小和尺度后的RPN网络，生成对应的候选区域；将候选区域映射到特征提取网络的最后两层并进行特征融合，将特征融合后的向量输入全连接层实现分类和回归。本发明的一种图像异物检测方法，摒弃人工特征提取过程，实现端到端训练，可精准识别异物，准确率高，检测时间短，抗干扰性强，特征融合过程保留更多信息，小目标检测效果佳。CN113989600ACN113989600A权利要求书1/2页1.一种图像异物检测方法，其特征在于，包括以下步骤：获取待检测图像，并对所述待检测图像分别在空间域和频率域进行预处理，对预处理后的图像进行标注并作为深度学习网络的数据集；将数据集发送到FasterR‑CNN的特征提取网络，得到对应特征图；将生成的特征图发送到调整锚点大小和尺度后的RPN网络，生成对应的候选区域；将候选区域映射到特征提取网络的最后两层并进行特征融合，将特征融合后的向量输入全连接层实现分类和回归。2.如权利要求1所述的一种图像异物检测方法，其特征在于，获取待检测图像，并对所述待检测图像分别在空间域和频率域进行预处理，对预处理后的图像进行标注并作为深度学习网络的数据集，具体包括：对所述待检测图像先采用非线性灰度变换增强方法进行增强；然后再增强后的图像中增强高频部分；最后将经过两次增强的图像通过翻转、亮度增强、平移、拼接等方法进行数据增强，将得到的图像进行标记并作为数据集。3.如权利要求2所述的一种图像异物检测方法，其特征在于，将数据集发送到FasterR‑CNN的特征提取网络，得到对应特征图，具体包括：特征提取网络为ResNet‑50，负责提取图像对应的特征图，再将提取的特征图作为RPN网络的输入；RPN网络负责生成区域建议框并进行边界框回归获得相应的特征矩阵，最后将每个特征矩阵通过ROI池化层统一缩放为固定尺寸后传入分类回归网络。4.如权利要求3所述的一种图像异物检测方法，其特征在于，将生成的特征图发送到调整锚点大小和尺度后的RPN网络，生成对应的候选区域，具体为：RPN锚点大小和尺度为{32，64，128，256，512}，三种比例{1:1，1:2，2:1}的RPN网络，每个锚点在原图生成15个对应的候选区域。5.一种图像异物检测装置，其特征在于，包括以下模块：预处理模块，用于获取待检测图像，并对所述待检测图像分别在空间域和频率域进行预处理，对预处理后的图像进行标注并作为深度学习网络的数据集；特征提取模块，用于将数据集发送到FasterR‑CNN的特征提取网络，得到对应特征图；生成模块，用于将生成的特征图发送到调整锚点大小和尺度后的RPN网络，生成对应的候选区域；融合模块，用于将候选区域映射到特征提取网络的最后两层并进行特征融合，输入模块，用于将特征融合后的向量输入全连接层实现分类和回归。6.如权利要求5所述的一种图像异物检测装置，其特征在于，预处理模块具体包括：第一增强单元，用于对所述待检测图像先采用非线性灰度变换增强方法进行增强；第二增强单元，用于然后再增强后的图像中增强高频部分；第三增强单元，用于最后将经过两次增强的图像通过翻转、亮度增强、平移、拼接等方法进行数据增强，将得到的图像进行标记并作为数据集。7.如权利要求6所述的一种图像异物检测装置，其特征在于，特征提取模块具体包括：特征提取单元，用于特征提取网络为ResNet‑50，负责提取图像对应的特征图，再将提取的特征图作为RPN网络的输入；2CN113989600A权利要求书2/