[发明专利]基于改进SSD模型的风机叶片缺陷检测方法及系统

说明书

本申请提出了一种基于改进SSD模型的风机叶片缺陷检测方法及系统，该方法包括：构建包括ResNext主干网络、多个检测层、双向特征金字塔结构和检测分支的目标检测网络；获取风机叶片图像数据集，对图像上的缺陷进行标注；将预处理后的图像输入主干网络获得多尺度特征图，经过多个检测层处理后输入双向特征金字塔结构进行特征融合，并通过检测分支获取初始检测结果；通过基于FocalLoss、smooth L1Loss和IOU Loss构建的目标损失函数计算损失并更新网络参数，直至训练完成目标检测网络；将待检测的图像输入至训练完成的网络，获取网络输出的缺陷检测结果。该方法降低了叶片缺陷检测所需的参数量和计算量，提高了检测网络的检测效率和检测结果的准确性。

技术领域

本申请涉及目标检测技术领域，尤其涉及一种基于改进SSD模型的风机叶片缺陷检测方法及系统。

背景技术

目前，目标检测技术已经广泛应用于交通、医疗等多个领域中，目标检测是一种基于目标几何和统计特征的图像分割技术，目标检测的目的是确定图像中感兴趣物体的位置和类别，比如，对于风机叶片图像，通过进行目标检测可以确定图像中的破损和断裂等缺陷。传统的图像目标检测方法通常需要人工设计特征，对于复杂的环境变化的鲁棒性较差，且基于滑窗的区域选择策略时间复杂度高。随着深度学习技术的快速发展与计算机存储与运算力的极大提升，目标检测已从传统方法发展至如今基于深度学习的检方法，使得基于深度卷积神经网络的目标检测方法进行风机叶片缺陷检测的效率与准确率都有了提升。

相关技术中，基于卷积神经网络的目标检测方法主要包含单阶段和两阶段两种检测方式，单阶段检测方式以YOLO或SSD模型等为代表，两阶段检测框架以R-CNN系列模型为代表。其中，两阶段检测通常是先通过启发式方法或者CNN网络产生一系列稀疏的候选框，然后对这些候选框进行分类与回归，单阶段检测通常是均匀地在图片的不同位置进行密集抽样，抽样时可以采用不同尺度和长宽比，然后利用CNN提取特征后直接进行分类与回归。

然而，申请人发现，上述两种检测方式中，两阶段检测的检测步骤较为复杂，检测速度较慢，而单阶段检测需要的参数量和计算量也较大，导致降低了目标检测的效率，且检测精度较低，模型训练比较困难。因此，目前亟需一种可以同时保证目标检测的准确率和效率的方案。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本申请的第一个目的在于提出一种基于改进SSD模型的风机叶片缺陷检测方法，该方法将检测模型的主干网络轻量化，降低了叶片缺陷检测所需的参数量和计算量，并丰富了特征表达，优化了损失函数，提高了检测网络的检测效率和检测结果的准确性。

本申请的第二个目的在于提出一种基于改进SSD模型的风机叶片缺陷检测系统；

本申请的第三个目的在于提出一种非临时性计算机可读存储介质。

为达上述目的，本申请的第一方面实施例在于提出一种基于改进SSD模型的风机叶片缺陷检测方法，该方法包括以下步骤：

对经典检测网络SSD模型进行改进，构建包括主干网络、多个检测层、双向特征金字塔结构和检测分支的目标检测网络，其中，采用ResNext网络作为所述主干网络；

获取风机叶片图像数据集，对所述数据集中图像上的缺陷进行标注以生成对应的标签文件，并按照预设的比例将标注后的风机叶片图像数据集划分为训练集、验证集和测试集；

对所述训练集中的图像进行预处理，将预处理后的图像输入所述主干网络获得多尺度特征图，将所述多个检测层处理后的多尺度特征图输入所述双向特征金字塔结构进行特征融合，并通过所述检测分支获取初始检测结果；