[发明专利]物体缺陷检测模型的训练方法、物体缺陷检测方法及装置

权利要求书

1.一种物体缺陷检测模型的训练方法，其特征在于，包括：

获取物体的待训练图像，并通过物体缺陷检测模型的特征提取子网络对所述待训练图像进行特征提取，得到待训练图像的特征图，其中所述待训练图像包括有缺陷待训练图像和无缺陷待训练图像的图像集；

通过物体缺陷检测模型的分类子网络对所述有缺陷待训练图像和所述无缺陷待训练图像的特征图进行分类，得到所述待训练图像的分类结果和分类损失值；

通过物体缺陷检测模型的缺陷检测子网络对所述有缺陷待训练图像进行缺陷检测，得到有缺陷图像的缺陷检测结果和缺陷检测损失值；

根据所述分类损失值和所述缺陷检测损失值，利用梯度下降算法对所述物体缺陷检测模型的参数进行优化，得到训练后的物体缺陷检测模型，以基于所述训练后的物体缺陷检测模型进行物体缺陷检测。

2.根据权利要求1所述的物体缺陷检测模型的训练方法，其特征在于，所述通过物体缺陷检测模型的特征提取子网络对所述待训练图像进行特征提取包括：

将所述待训练图像输入所述特征提取子网络，依次进行一次1x1卷积、一次3x3卷积、一次全局最大池化、一次3x3卷积和一次全局最大池化处理后，得到子特征图；

对所述子特征图进行一次3x3卷积后，得到第一输出特征图；

对所述第一输出特征图进行一次3x3卷积后，得到第二输出特征图；

对所述第二输出特征图进行一次3x3卷积后，得到第三输出特征图；

将所述第一输出特征图、所述第二输出特征图和所述第三输出特征图进行多次全连接后，得到第四输出特征图，将所述第四输出特征图作为所述待训练图像的特征图。

3.根据权利要求1所述的物体缺陷检测模型的训练方法，其特征在于，所述通过物体缺陷检测模型的分类子网络对所述有缺陷待训练图像和所述无缺陷待训练图像的特征图进行分类，得到所述待训练图像的分类结果和分类损失值包括：

将所述有缺陷待训练图像和所述无缺陷待训练图像的特征图输入所述分类子网络的池化层进行全局平均池化处理，输出全局平均池化特征图，以及进行全局最大池化处理，输出全局最大池化特征图；

将所述全局平均池化特征图和所述全局最大池化特征图进行多次全连接后，输出全局池化特征图；

对所述全局池化特征图进行Softmax运算，得到所述待训练图像的输出向量，根据所述输出向量得到所述待训练图像的分类结果，其中所述输出向量表示所述待训练图像有缺陷的置信度；

计算所述待训练图像的分类结果与所述待训练图像的图像标签之间的误差，得到所述待训练图像的分类损失值。

4.根据权利要求1所述的物体缺陷检测模型的训练方法，其特征在于，所述通过物体缺陷检测模型的缺陷检测子网络对所述有缺陷待训练图像进行缺陷检测，得到有缺陷图像的缺陷检测结果和缺陷检测损失值包括：

将所述有缺陷图像的特征图输入所述缺陷检测子网络中的区域生成网络，进行候选框的提取；

将提取出的候选框输入所述缺陷检测子网络中的感兴趣区域池化层，输出所述候选框的分类和坐标回归，作为所述有缺陷图像的缺陷检测结果；

计算所述有缺陷图像的缺陷检测结果与所述有缺陷图像的缺陷类别标签和缺陷位置之间的误差，得到所述有缺陷图像的缺陷检测损失值。

5.根据权利要求4所述的物体缺陷检测模型的训练方法，其特征在于，所述将所述有缺陷图像的特征图输入所述缺陷检测子网络中的区域生成网络，进行候选框的提取包括：

对所述有缺陷图像的特征图上的各特征点，生成多个不同尺度的锚点框；

利用所述区域生成网络中的第一全连接层，对各锚点框进行分类得到各锚点框的分类结果，以及利用所述区域生成网络中的第二全连接层，对各锚点框进行位置回归得到各锚点框的位置偏移量；

根据各锚点框的分类结果和位置偏移量，输出所述有缺陷图像的候选框及位置坐标。