基于Faster RCNN网络的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CN113962934A(43)申请公布日2022.01.21(21)申请号202111091428.8G06V10/764(2022.01)(22)申请日2021.09.17G06N3/04(2006.01)G06N3/08(2006.01)(71)申请人北京机械工业自动化研究所有限公司地址100120北京市西城区德胜门外教场口街1号(72)发明人滕博文赵宏剑贾沛贠俊峰田成花顾聪(74)专利代理机构北京律诚同业知识产权代理有限公司11006代理人张燕华(51)Int.Cl.G06T7/00(2017.01)G06K9/62(2022.01)G06V10/774(2022.01)权利要求书1页说明书4页附图3页(54)发明名称基于FasterRCNN网络的缺陷检测方法及系统(57)摘要本发明提出一种基于FasterRCNN网络的缺陷检测方法，包括：以ResNet‑101深度残差网络为特征提取子网络，以该特征提取子网络、RPN子网络、RoIpooling子网络以及分类子网络，构建FasterRCNN网络模型；通过已知图像数据集，对该FasterRCNN网络模型进行训练，获得缺陷检测模型；通过该缺陷检测模型对目标图像进行缺陷检测。本发明还提出一种基于FasterRCNN网络的缺陷检测系统，以及一种可以实现基于FasterRCNN网络的缺陷检测的数据处理装置。CN113962934ACN113962934A权利要求书1/1页1.一种基于FasterRCNN网络的缺陷检测方法，其特征在于，包括：以ResNet‑101深度残差网络为特征提取子网络，以该特征提取子网络、RPN子网络、RoIpooling子网络以及分类子网络，构建FasterRCNN网络模型；通过已知图像数据集，对该FasterRCNN网络模型进行训练，获得缺陷检测模型；通过该缺陷检测模型对目标图像进行缺陷检测。2.如权利要求1所述的缺陷检测方法，其特征在于，该特征提取子网络使用步长为2的卷积核进行下采样操作，并以全局平均池化层为全连接层，在为每两个全连接层增加残差边，形成残差结构。3.如权利要求2所述的缺陷检测方法，其特征在于，对该FasterRCNN网络模型进行训练前，先采用ImageNet数据集对该特征提取子网络进行预训练。4.如权利要求1所述的缺陷检测方法，其特征在于，该FasterRCNN网络模型的损失函数包括：RPN子网的分类损失、RPN子网络位置回归损失、RoI子网络分类损失及RoI子网络位置回归损失，其中，该RPN子网的分类损失和该RoI子网络分类损采用交叉熵损失函数，该RPN子网络位置回归损失和该RoI子网络位置回归损失采用SoomthL1Loss损失函数。5.一种基于FasterRCNN网络的缺陷检测系统，其特征在于，包括：模型构建模块，用于以ResNet‑101深度残差网络为特征提取子网络，以该特征提取子网络、RPN子网络、RoIpooling子网络以及分类子网络，构建FasterRCNN网络模型；模型训练模块，用于通过已知图像数据集，对该FasterRCNN网络模型进行训练，获得缺陷检测模型；缺陷检测模块，用于通过该缺陷检测模型对目标图像进行缺陷检测。6.如权利要求5所述的缺陷检测系统，其特征在于，该特征提取子网络使用步长为2的卷积核进行下采样操作，并以全局平均池化层为全连接层，在为每两个全连接层增加残差边，形成残差结构。7.如权利要求6所述的缺陷检测系统，其特征在于，对该FasterRCNN网络模型进行训练前，先采用ImageNet数据集对该特征提取子网络进行预训练。8.如权利要求5所述的缺陷检测系统，其特征在于，该FasterRCNN网络模型的损失函数包括：RPN子网的分类损失、RPN子网络位置回归损失、RoI子网络分类损失及RoI子网络位置回归损失，其中，该RPN子网的分类损失和该RoI子网络分类损采用交叉熵损失函数，该RPN子网络位置回归损失和该RoI子网络位置回归损失采用SoomthL1Loss损失函数。9.一种计算机可读存储介质，存储有计算机可执行指令，当该计算机可执行指令被执行时，实现如权利要求1～4任一项所述的基于FasterRCNN网络的缺陷检测方法。10.一种数据处理装置，包括如权利要求9所述的计算机可读存储介质，该数据处理装置的处理器调取并执行该计算机可读存储介质中的计算机可执行指令，以实现基于FasterRCNN网络的缺陷检测。2CN113962934A说明书1/4页基于FasterRCNN网络的缺陷检测方法及系统技术领域[0001]本发明属于图像分类技术领域，涉及一种基于FasterR‑CNN网络的缺陷检测方法及系统。背景技术[0002]中国是世界上最