[发明专利]基于Faster R-CNN的大型复杂结构件表面多尺寸多类别缺陷智能检测方法及系统

说明书

本发明公开一种基于Faster R‑CNN的大型复杂结构件表面多尺寸多类别缺陷智能检测方法，通过无人机采用大型复杂结构件表面缺陷区域图像；然后进行图像标注增强处理，提取特征及特征融合，对缺陷位置粗定位和分类；最后通过分类和回归网络进行缺陷的分类以及位置的精调，最终得到大型复杂结构件表面缺陷类别和位置。本方法解决了目前针对大型构件的多类多尺寸的表面缺陷不能进行准确分类和定位的问题，采用自适应的缺陷检测定位框和特征金字塔策略，相对于传统的缺陷检测方式，该方法具有识别准确度高和定位精确的特点，同时针对小缺陷改进了更适合样本缺陷的锚选框，为大型构件缺陷严重程度的评估提供了快速、准确、有效的检测方法。

技术领域

本发明涉及计算机视觉技术领域，特别是一种基于Faster R-CNN的大型复杂结构件表面多尺寸多类别缺陷智能检测方法。

背景技术

大型复杂结构件具有结构复杂、体积庞大、质量大并且需要承受较大荷载的特点，如风机叶片、汽车以及飞机等大型产品的支架、底座、内部骨架以及支撑定位架等。大型复杂结构件被普遍应用于风力发电、航空航天、船舶制造、军事武器装备以及汽车工业等领域，属于具有较高成本、质量的一类产品。一般大型复杂结构件的运行工况复杂多变，故障率较高。尽早发现缺陷区域，并对其进行分类、分割从而实现缺陷的分级，以便于相关人员尽快采取相应的检修措施，把问题解决在萌芽状态，才能保证大型复杂结构件能够长期、稳定地工作，有效减少设备的停机时间，避免重大事故，降低运维成本。因此对大型复杂结构件表面缺陷进行自动识别定位从而保证大型复杂结构件安全稳定运行的研究具有重大意义。

大型复杂结构件由于体积庞大、不易移动，其日常检测主要依靠传统的人工检测方式，往往需要通过借助一些辅助工具和载人设备完成检测任务，从而克服其结构复杂、体积庞大的限制。但是人工检测的精度很容易受到人的主观影响，且速度慢、检测的误差较大，对于一些较小或特征密集的检测区域还会存在漏检和错检等问题。而且，检测人员常处于数十米的高空中，受外界环境影响大，属高危作业，安全隐患高。大型复杂结构件的人工质量检测方式不仅劳动强度大，安全系数低，而且效率低，耗费大量时间。因此，实现大型复杂结构件检测的自动化、高效化是急需解决的问题。

随着近年来图像传感器的快速发展，基于机器视觉的检测技术广泛用于大型复杂结构件的缺陷检测。基于机器视觉的表面损伤检测技术通过图像传感器获取大型复杂结构件表面图像，然后利用相应的图像处理算法来判断采集的图像中是否存在缺陷。基于机器视觉的表面损伤检测技术优点在于检测成本低，检测效率高，非接触，并且具有直观显示缺陷的能力，有利于相关人员对大型复杂结构件的状态进行分级与评估。但是，目前的基于机器视觉的大型复杂结构件表面损伤检测技术存在一定的缺陷：在实际的使用环境中缺陷的类别多样、尺寸差距大，而且当多个不同尺寸的缺陷同时出现时，由于使用了人工提前设置固定大小的先验框进行特征提取，并不能同时对多种尺寸的缺陷区域进行准确有效的特征提取。导致缺陷识别和分类的准确性较低，甚至较小的缺陷由于先验框内包含的噪声信息过多导致漏检。

发明内容

有鉴于此，本发明的目的在于提供一种基于Faster R-CNN的大型复杂结构件表面多尺寸多类别缺陷智能检测方法，该方法属于工业表面缺陷检测技术领域，该方法能够解决现有技术的不足，解决了目前针对大型构件的多类多尺寸的表面缺陷不能进行准确分类和定位的问题，为巡检过程中对大型构件缺陷严重程度的评估提供了快速、准确、有效的检测方法。

为达到上述目的，本发明提供如下技术方案：

本发明提供的基于Faster R-CNN的大型复杂结构件表面多尺寸多类别缺陷智能检测方法，包括以下步骤：

(1)获取大型复杂结构件表面缺陷区域的图像数据；

(2)标注采集到的图像中的缺陷的位置和类别信息，生成用于模型训练的标注文件；

(3)将采集到的图像数据进行图像变换处理，根据图像变换处理生成包含标签信息文件；