[发明专利]检测表面缺陷的方法、模型构建方法和装置及电子设备

说明书

本申请提供一种检测表面缺陷的方法、模型构建方法和装置及电子设备，所述方法利用卷积神经网络对输入图像进行特征提取，得到第一特征图；使用CE‑FPN网络对第一特征图进行特征融合及分层预测，得到预测特征图；利用RPN网络，基于预测特征图生成建议区域；通过池化层将所述建议区域映射至所述预测特征图并池化为固定尺寸的第二特征图；基于所述第二特征图得到表面缺陷的检测结果。在Faster‑RCNN模型的基础上，通过加入CE‑FPN模块，提高了多尺度缺陷和小尺度缺陷检测的准确度。

技术领域

本申请涉及计算机视觉领域，具体涉及一种检测表面缺陷的方法、模型构建方法和装置及电子设备。

背景技术

在医药领域中，产品的质量与人们的生命安全紧密相关，因此生产企业在提高自身生产效率的同时，也在不断加大对于产品质量检测的投入。玻璃安瓿瓶在药用包装产品占据很大的市场份额，被广泛应用于粉剂药品、口服液等包装中。

然而，安瓿瓶在生产过程中，由于工艺控制不严格，导致瓶身厚度不均匀，容易形成瓶身裂缝。在药液的灌封过程中，瓶口经常由于拉丝火焰强度不稳定产生泡头、尖头等情况，同时安瓿颈部残留药液会在加热过程中形成炭化黑点。这些装有药液的次品安瓿瓶不但影响美观，更为严重的还会对药液质量造成影响。因此安瓿瓶的外观缺陷检测就显得十分重要。

发明内容

本申请旨在提供一种检测表面缺陷的方法，在Faster-RCNN模型的基础上，通过加入CE-FPN模块，提高了多尺度缺陷和小尺度缺陷检测的准确度。

根据本申请的一方面，提出一种检测表面缺陷的方法，包括：

利用Faster-RCNN模型对输入图像进行特征提取，得到第一特征图；

使用CE-FPN网络对第一特征图进行特征融合及分层预测，得到预测特征图；

利用RPN网络，基于预测特征图生成建议区域；

通过池化层将所述建议区域映射至所述预测特征图并池化为固定尺寸的第二特征图；

基于所述第二特征图得到表面缺陷的检测结果。

根据一些实施例，前述方法包括：所述CE-FPN网络使用亚像素跳变融合通过亚像素卷积进行上采样。

根据一些实施例，前述方法包括：所述池化层使用ROIAlign结构。

根据一些实施例，前述方法还包括：

通过所述ROIAlign结构在所述第二特征图上对每个建议区域进行归一化处理，得到归一化特征图。

根据一些实施例，前述方法还包括：

将归一化特征图进行全连接操作；

利用分类函数进行具体类别的分类；

利用L1范数损失函数完成边框回归操作获得物体的精确位置，并计算损失函数。

根据本申请的另一方面，提供一种用于检测表面缺陷的模型构建方法，包括：

获取训练集图像；

利用Faster-RCNN模型对训练集图像进行特征提取，得到第一特征图；

使用CE-FPN网络对第一特征图进行特征融合及分层预测，得到预测特征图；

利用RPN网络，基于预测特征图生成建议区域；

通过池化层将所述建议区域映射至所述预测特征图并池化为固定尺寸的第二特征图；

利用Faster-RCNN模型对训练集图像进行训练，获得缺陷检测模型。

根据一些实施例，前述方法还包括：