[发明专利]基于深度学习提升密集目标性能的垫片检测方法及装置

说明书

本发明公开了一种基于深度学习提升密集目标性能的垫片检测方法，包括以下步骤：采集检测流水线上的垫片图像并进行预处理，将预处理后的垫片图像送入到训练好的垫片检测模型中进行检测，得到垫片的检测与定位结果；所述的垫片检测模型包括深度特征提取网络Backbone、特征金字塔网络Neck以及检测网络Head；对采集好的垫片图片数据进行整理，清洗与标注，最后制作成训练集和测试集；根据厂家对垫片检测的要求，定义好垫片的类型与标记，然后使用制作好的训练集对模型进行多次训练和泛化测试，直到训练到性能符合要求的垫片检测模型。本发明比普通视觉检测算法在密集目标的检测上获得更好的性能，实现了对垫片的高速度、高精度和非接触的检测与定位。

技术领域

本发明涉及深度学习领域，具体涉及一种基于深度学习提升密集目标性能的垫片检测方法及装置。

背景技术

垫片是一种螺丝与螺帽之间必不可少的零件，能够增大接触面积，减小压力，防止松动，保护零件和螺丝。生产垫片的工厂一般会将所生产的垫片通过流水线传输到各个区域进行加工，在传输过程中要做到精控制，需要进行及时的清点和检测等处理。

传统的方法是让工人在流水线两端进行清点和计数，但是垫片的数量多且体积小，这种方法效率低下，成本高，并且由于工作时间增长，工人疲劳并且引起许多的漏检。

发明内容

本发明的目的是提供一种基于深度学习提升密集目标性能的垫片检测方法及装置，在垫片的生产过程中，使用深度学习算法模型，对生产线流过的大量且密集的垫片目标进行检测。

为了实现上述任务，本发明采用以下技术方案：

一种基于深度学习提升密集目标性能的垫片检测方法，包括以下步骤：

采集检测流水线上的垫片图像并进行预处理，将预处理后的垫片图像送入到训练好的垫片检测模型中进行检测，得到垫片的检测与定位结果；

所述的垫片检测模型包括深度特征提取网络Backbone、特征金字塔网络Neck以及检测网络Head，其中：

深度特征提取网络Backbone具有19层网络结构，第一层与第二层均为卷积层，第三层为最大池化层；第四层至第七层、第八层至第十一层、第十二层至第十五层、第十六至第十九层分别构成一个残差单元，每个残差单元包含两个残差块，每个残差块由相邻层的两个卷积层构成；在每个残差单元中，前三个卷积层的步长、卷积核个数相同，而最后一层的卷积层的步长、卷积核个数为前三个卷积层的步长、卷积核个数的倍数；第七层、第十一层、第十五层、第十九层输出的特征图分别记为C2、C3、C4和C5；

特征金字塔网络Neck具有五层结构，分别为P2、P3、P4、P5和P6，其中：

P6层接收P5层输出的特征图，并进行卷积操作以进行特征缩放和通道下降处理；P5层对特征图C5进行卷积操作以进行通道数下降处理；P4层先对特征图C4进行卷积操作以进行通道数下降处理，并对P5输出的特征图进行卷积操作以进行上采样处理，然后对所述通道数下降处理后的特征图、上采样处理后的特征图进行融合；P3对C3进行通道下降处理后的特征图、对P4的输出进行上采样处理后的特征图进行融合；P2对C2进行通道下降处理后的特征图、对P3的输出进行上采样处理后的特征图进行融合；

检测网络Head具有第一分支、第二分支两个分支结构，其中：