[发明专利]一种用于表面缺陷检测的正样本扩充方法

说明书

本发明公开了一种用于表面缺陷检测的正样本扩充方法，包括，将检测器生成的目标框和检测框的位置坐标输入至非极大抑制单元，通过非极大抑制单元去除重叠检测框，保留包含目标信息的检测框；通过样本判定单元筛选和判定负样本、正样本以及半正样本；通过样本采样单元根据设定的正负样本采样比例对负样本、正样本以及半正样本进行采样；将全部采样数据输入至损失回归单元，通过损失回归单元进行检测框分类损失训练和检测框定位回归训练，进而扩充正样本；本发明可以更准确地衡量检测框与目标框之间的重叠程度；同时，改善了正负样本的不平衡问题，且可直接迁移应用至多种目标检测网络中，无需预训练，通用性好。

技术领域

本发明涉及目标检测的技术领域，尤其涉及一种用于表面缺陷检测的正样本扩充方法。

背景技术

近年来基于深度神经网络的目标检测技术发展迅速，并在诸多产品的缺陷检测中得到了成功应用。两阶段的R-CNN(Region-Convolutional Neural Networks)目标检测算法是当前主流的目标检测方法之一。在两阶段检测器中，第一阶段使用区域提议网络(Region Proposal Network，RPN)从密集的预判定边界框(锚框)中筛选出若干候选框，然后第二阶段使用兴趣区域子网(RoI-subnet)对这些候选框进行目标分类和回归定位。

在两阶段R-CNN方法中，当算法训练时，只有少数与检测目标高度重叠的锚框被作为正样本分配给目标，其它绝大部分锚框则作为负样本分配给背景，这将是导致锚框中正负样本(目标和背景)数目的极大不平衡。这种正负样本数目的不平衡将不仅使得算法训练中收敛速度减缓，而且还将降低目标检测的准确性。

当两阶段目标检测算法用于产品表面缺陷检测时，由于缺陷的独特性质，如：缺陷类别不相容、缺陷尺寸大小不一等，使得分配给目标的锚框数量，也即正样本数目，更加减少，加剧了锚框中正负样本之间的不平衡，降低了网络收敛速度与检测精度。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种用于表面缺陷检测的正样本扩充方法，能够改善检测框与目标框之间的匹配问题和正负样本之间的不平衡问题。

为解决上述技术问题，本发明提供如下技术方案：包括，将检测器生成的目标框和检测框的位置坐标输入至非极大抑制单元，通过所述非极大抑制单元去除重叠检测框，保留包含目标信息的检测框；通过样本判定单元筛选和判定负样本、正样本以及半正样本；通过样本采样单元根据设定的正负样本采样比例对所述负样本、正样本以及半正样本进行采样；将全部采样数据输入至损失回归单元，通过所述损失回归单元进行检测框分类损失训练和检测框定位回归训练，进而扩充所述正样本。

作为本发明所述的用于表面缺陷检测的正样本扩充方法的一种优选方案，其中：所述非极大抑制单元包括，所述非极大抑制单元在每个特征层内的检测框之间，通过执行非极大抑制策略，以去除所述重叠检测框；而后在相邻的特征层内检测框之间，所述非极大抑制单元通过衡量检测框之间的相关性，并据此筛选与保留所述包含目标信息的检测框。

作为本发明所述的用于表面缺陷检测的正样本扩充方法的一种优选方案，其中：所述样本判定单元包括，将所有检测框与目标框输入至所述样本判定单元，初始化所有检测框为忽略样本；遍历所述检测框与目标框，计算检测框与目标框的重叠区域在目标框中所占比例COP_BGt、检测框与目标框的重叠区域在检测框中所占比例COP_GtB和面积比；根据COP_BGt的限定条件筛选并判定所述负样本；根据COP_BGt、COP_GtB和面积比的限定条件筛选并判定所述正样本与所述半正样本。