[发明专利]基于Faster RCNN的卷烟爆珠缺陷检测方法、装置以及设备

权利要求书

1.一种基于Faster RCNN的卷烟爆珠缺陷检测方法，其特征在于，包括基于FasterRCNN架构预先构建爆珠缺陷检测模型，所述爆珠缺陷检测模型用于执行如下处理操作：

接收卷烟爆珠待测图像；

利用特征提取网络提取所述卷烟爆珠待测图像的初始特征图；

基于预设的区域推荐网络在所述初始特征图中生成若干锚框；

对所述锚框进行前后景分类，并根据前后景分类结果对所述锚框进行筛选，得到若干缺陷候选框；

将所述缺陷候选框映射到所述初始特征图中并进行感兴趣区域池化处理，得到相应的具有固定尺寸的目标特征图；

基于预设的各缺陷类型的图像特点，对所述目标特征图进行分类，得到缺陷目标框以及对应于所述缺陷目标框的缺陷类别置信度；

根据所述缺陷目标框及所述缺陷类别置信度，确定所述卷烟爆珠待测图像中的爆珠缺陷。

2.根据权利要求1所述的基于Faster RCNN的卷烟爆珠缺陷检测方法，其特征在于，在所述爆珠缺陷检测模型的训练阶段，将基于区域推荐网络的所述锚框的分类损失、确定所述缺陷候选框的回归损失、基于所述目标特征图的分类损失、确定所述缺陷目标框的回归损失，融合为总损失并作为用于所述爆珠缺陷检测模型进行参数更新的目标函数。

3.根据权利要求1所述的基于Faster RCNN的卷烟爆珠缺陷检测方法，其特征在于，在所述爆珠缺陷检测模型的训练阶段，采用Adam网络对所述爆珠缺陷检测模型中的连接权重参数进行学习及更新。

4.根据权利要求1～3任一项所述的基于Faster RCNN的卷烟爆珠缺陷检测方法，其特征在于，所述特征提取网络采用深度可分离卷积网络。

5.一种基于Faster RCNN的卷烟爆珠缺陷检测装置，其特征在于，包括：

模型构建模块以及缺陷确定模块，所述模型构建模块用于基于Faster RCNN架构预先构建爆珠缺陷检测模型，所述爆珠缺陷检测模型具体包括：

图像输入单元，用于接收卷烟爆珠待测图像；

图像特征提取单元，用于利用特征提取网络提取所述卷烟爆珠待测图像的初始特征图；

滑窗单元，用于基于预设的区域推荐网络在所述初始特征图中生成若干锚框；

缺陷候选框确定单元，用于对所述锚框进行前后景分类，并根据前后景分类结果对所述锚框进行筛选，得到若干缺陷候选框；

目标特征图获取单元，用于将所述缺陷候选框映射到所述初始特征图中并进行感兴趣区域池化处理，得到相应的具有固定尺寸的目标特征图；

缺陷分类单元，用于基于预设的各缺陷类型的图像特点，对所述目标特征图进行分类，得到缺陷目标框以及对应于所述缺陷目标框的缺陷类别置信度；

所述缺陷确定模块用于根据所述缺陷目标框及所述缺陷类别置信度，确定所述卷烟爆珠待测图像中的爆珠缺陷。

6.根据权利要求5所述的基于Faster RCNN的卷烟爆珠缺陷检测装置，其特征在于，在所述爆珠缺陷检测模型的训练阶段，采用Adam网络对所述爆珠缺陷检测模型中的连接权重参数进行学习及更新。

7.根据权利要求5或6所述的基于Faster RCNN的卷烟爆珠缺陷检测装置，其特征在于，所述特征提取网络采用深度可分离卷积网络。

8.一种基于Faster RCNN的卷烟爆珠缺陷检测设备，其特征在于，包括：

一个或多个处理器、存储器以及一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中，所述一个或多个计算机程序包括指令，当所述指令被所述设备执行时，使得所述设备执行权利要求1～4任一项所述的基于Faster RCNN的卷烟爆珠缺陷检测方法。

9.一种数据存储介质，其特征在于，所述数据存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得计算机执行权利要求1～4任一项所述的基于FasterRCNN的卷烟爆珠缺陷检测方法。

10.一种计算机程序产品，其特征在于，当所述计算机程序产品被计算机执行时，使得计算机执行权利要求1～4任一项所述的基于Faster RCNN的卷烟爆珠缺陷检测方法；

所述计算机程序产品内的程序存储在与计算机的处理器封装在一起的存储器上，或者，存储在未与处理器封装在一起的存储介质上。