[发明专利]一种基于改进Faster RCNN的车身划痕检测方法

权利要求书

1.一种基于改进Faster RCNN的车身划痕检测方法，其特征在于，包括以下步骤：

S1、获取待检测图片和带有标签的车身划痕数据集；

S2、构建改进Faster RCNN网络模型，其中，所述改进Faster RCNN网络模型具体包括，Faster RCNN网络的特征提取层采用M-FPN网络，所述M-FPN网络为与特征金字塔网络相融合的MobileNet V3网络；

S3、将带有标签的车身划痕数据集作为训练样本训练改进Faster RCNN网络模型；

S4、将待检测图片输入训练后的改进Faster RCNN网络模型，获取车身划痕检测结果。

2.根据权利要求1所述的基于改进Faster RCNN的车身划痕检测方法，其特征在于，步骤S2中MobileNet V3网络与特征金字塔网络相融合的具体步骤包括，

根据MobileNet V3网络输出特征图的维度大小对MobileNet V3网络进行分层；

针对每一层对应卷积层输出的特征矩阵通过1*1*256且步距为1的卷积核进行升维或降维操作，使得每一层输出的特征矩阵的维度相同；

针对得到的维度相同的的上一层特征矩阵进行上采样操作获取与下一层特征矩阵空间尺寸相同的特征矩阵并进行特征融合；

将特征融合后的特征矩阵分别进行3*3*256卷积操作获取MobileNet V3网络输出特征图每一层对应的新的特征矩阵；

将3*3*256卷积操作后维度最高的特征矩阵通过1*1*256且步距为2的卷积层并进行下采样获取附加特征矩阵；

将新的特征矩阵和附加特征矩阵输出对应尺度的特征图，实现MobileNet V3网络与特征金字塔网络的融合。

3.根据权利要求1所述的基于改进Faster RCNN的车身划痕检测方法，其特征在于，步骤S3中训练改进Faster RCNN网络模型，具体包括以下步骤：

S31、利用ImageNet数据集预训练改进Faster RCNN网络模型，获取预训练权重，利用预训练权重初始化改进Faster RCNN网络模型的RPN网络，在此基础上，使用带有标签的车身划痕数据集作为训练样本单独训练改进Faster RCNN网络模型的RPN网络层参数；

S32、固定RPN网络独有的卷积层以及全连接层参数，并利用RPN网络生成的目标建议框训练Fast RCNN网络参数；

S33、利用Fast RCNN训练好的前置卷积网络层参数微调RPN网络独有的卷积层以及全连接层参数；

S34、保持固定前置卷积网络层参数，微调Fast RCNN网络的全连接层参数；

S35、RPN网络与Fast RCNN网络共享前置卷积网络层参数，构成一个统一的网络。

4.根据权利要求1所述的基于改进Faster RCNN的车身划痕检测方法，其特征在于，步骤S4具体包括：

S41、将待检测图片输入M-FPN网络，得到相应的特征矩阵；

S42、利用RPN网络生成具有车身划痕的候选框；

S43、将候选框与特征矩阵输入到训练好的Fast RCNN网络中进行候选框的微调，并检测候选框中车身划痕类别，得到最终检测结果。

5.根据权利要求1所述的基于改进Faster RCNN的车身划痕检测方法，其特征在于，还包括将改进Faster RCNN网络的RoI Pooling层替换为RoI Align，所述RoI Align取消对候选框边界以及每个单元边界坐标的量化操作，使用双线性插值算法计算出每个单元的边界坐标，然后再进行最大池化操作，最后将得到的尺寸相同的特征矩阵输入到改进Fast RCNN网络。