[发明专利]基于改进Faster-RCNN的缺陷检测方法及装置

说明书

本发明提供了一种基于改进Faster‑RCNN的缺陷检测方法及装置，先获取冲压成品的待检测图像，再通过预先训练好的改进的Faster‑RCNN模型对待检测图像进行缺陷的检测，得到待检测图像的检测结果；其中，改进的Faster‑RCNN模型包括主干网络、区域建议网络、感兴趣区域池化层和头部网络，主干网络包括特征提取模块，特征提取模块采用多个卷积块并在指定相邻卷积块之间设置有注意力模块。采用本发明可以更好地识别出缺陷并将缺陷与正常区域区分开来，从而避免误检、漏检等问题。

技术领域

本发明涉及汽车内饰检测技术领域，尤其是涉及一种基于改进Faster-RCNN的缺陷检测方法及装置。

背景技术

目前，汽车冲压成品的检测方式通常包括人工目检的方式和线下通过视觉设备抽检的方式。对于人工目检的方式，由于冲压成品缺陷较多，且每个目检人员对缺陷理解不同，因此会造成检测标准不统一；此外，该方式的工作效率较低，且随检测数量增加和身体疲劳会不可避免地出现错判、漏检。对于线下通过视觉设备抽检的方式，需要搭建特定光学环境，基于条纹投影原理对部件进行测量，测定深度的准确度是正确分类缺陷的条件，且该技术仅适用于检测一些局部区域，因而该技术的缺陷主要包括：（1）冲压成品表面形态复杂，极大的干扰了通过分析条纹投影的方式来检测，使得设备误检率、设备维护难度和设备维护成本均会变高；（2）线下抽检的方式难以满足企业全面检测的检测需求。

随着生产制造业不断认识到使用深度学习技术进行缺陷检测的重要性，越来越多的企业开始选择使用人工智能进行缺陷的自动化检测。例如，可采用基于深度学习的目标检测算法Faster-RCNN进行缺陷的自动化检测，该算法更加关注物体局部区域，目标的整体相关性不高，而冲压成品的一些缺陷（如开裂、缩颈等）的特征与其周围正常区域的特征易混淆，若仅仅关注局部区域虽检出率会提升但也会产生误检问题，将会把正常区域误识别为缺陷。

发明内容

有鉴于此，本发明的目的在于提供一种基于改进Faster-RCNN的缺陷检测方法及装置，以缓解现有汽车冲压成品检测技术中存在的上述问题。

第一方面，本发明实施例提供了一种基于改进Faster-RCNN的缺陷检测方法，所述方法包括：获取冲压成品的待检测图像；通过预先训练好的改进的Faster-RCNN模型对所述待检测图像进行缺陷的检测，得到所述待检测图像的检测结果；其中，改进的Faster-RCNN模型包括主干网络、区域建议网络、感兴趣区域池化层和头部网络，所述主干网络包括特征提取模块，所述特征提取模块采用多个卷积块并在指定相邻卷积块之间设置有注意力模块。

第二方面，本发明实施例还提供一种基于改进Faster-RCNN的缺陷检测装置，所述装置包括：获取模块，用于获取冲压成品的待检测图像；检测模块，用于通过预先训练好的改进的Faster-RCNN模型对所述待检测图像进行缺陷的检测，得到所述待检测图像的检测结果；其中，改进的Faster-RCNN模型包括主干网络、区域建议网络、感兴趣区域池化层和头部网络，所述主干网络包括特征提取模块，所述特征提取模块采用多个卷积块并在指定相邻卷积块之间设置有注意力模块。

本发明实施例提供的一种基于改进Faster-RCNN的缺陷检测方法及装置，先获取冲压成品的待检测图像，再通过预先训练好的改进的Faster-RCNN模型对待检测图像进行缺陷的检测，得到待检测图像的检测结果；其中，改进的Faster-RCNN模型包括主干网络、区域建议网络、感兴趣区域池化层和头部网络，主干网络包括特征提取模块，特征提取模块采用多个卷积块并在指定相邻卷积块之间设置有注意力模块。采用上述技术，通过在主干网络的特征提取模块中加入注意力模块的方式对现有Faster-RCNN模型进行改进，可以使改进的Faster-RCNN模型在特征提取阶段便关注缺陷的整体信息，更好地识别出缺陷并将缺陷与正常区域区分开来，从而避免误检、漏检等问题。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。