[发明专利]用于多类别瑕疵实时检测的轻量化模型构建方法及装置

权利要求书

1.一种用于多类别瑕疵实时检测的轻量化模型构建方法，其特征在于，包括如下步骤：

获取含多类别瑕疵的目标物体图像，形成图像数据集；

搭建初始的轻量化模型，并设置轻量化模型训练的超参数，其中，初始的轻量化模型包括轻量主干网络、颈部网络和头部检测网络，轻量主干网络用于提取融合位置信息的多尺度图像特征；

根据图像数据集对初始的轻量化模型进行模型训练迭代，至收敛；

构建得到用于多类别瑕疵实时检测的轻量化模型；

其中，搭建初始的轻量化模型，具体包括如下步骤：

构建轻量主干网络，其中，轻量主干网络包括Focus单元、HDC单元及多个ShuffleNet混合单元，HDC单元包括多个空洞卷积层组，且每个空洞卷积层组的空洞系数不同；

Focus单元连接第一ShuffleNet混合单元，第一ShuffleNet混合单元连接HDC单元，HDC单元再与第二ShuffleNet混合单元、第三ShuffleNet混合单元及第四ShuffleNet混合单元依次连接，其中，第一ShuffleNet混合单元包括依次连接的ShuffleNetV2_1结构、CA结构、ShuffleNetV2_1结构、CA结构、ShuffleNetV2_1结构及ShuffleNetV2_2结构，第二ShuffleNet混合单元、第三ShuffleNet混合单元及第四ShuffleNet混合单元均包括依次连接的ShuffleNetV2_1结构、CA结构、ShuffleNetV2_1结构及ShuffleNetV2_2结构，ShuffleNetV2_1结构的结构步长为1，ShuffleNetV2_2结构的结构步长为2，CA结构为坐标注意力机制，HDC单元包括第一空洞卷积层组、第二空洞卷积层组和第三空洞卷积层组，第一空洞卷积层组和第三空洞卷积层组均为单个空洞卷积层，卷积系数分别为2和1，第二空洞卷积层组为两分支分别进行卷积运算，再进行级联合并的双空洞卷积层；

构建与ShuffleNet混合单元连接的FPN-PAN的颈部网络，及对应颈部网络设置的头部检测网络，得到初始的轻量化模型；

根据图像数据集对初始的轻量化模型进行模型训练迭代，至收敛，具体包括如下步骤：

对图像进行Mosaic数据增强，获取预处理图像；

迭代如下步骤，至收敛：预处理图像输入初始的轻量化模型中，经Focus单元得到多张压缩图像，并对多张压缩图像进行多通道连接和卷积，形成第一特征图；

第一特征图输入第一ShuffleNet混合单元进行下采样，得到第二特征图；

第二特征图经过HDC单元后依次输入第二ShuffleNet混合单元、第三ShuffleNet混合单元及第四ShuffleNet混合单元，且自第二ShuffleNet混合单元、第三ShuffleNet混合单元及第四ShuffleNet混合单元的输出分别得到第三特征图、第四特征图及第五特征图；

第三特征图、第四特征图及第五特征图分别输入颈部网络进行特征信息融合后，由检测网络给出目标检测的结果，通过目标检测的预测值与真实值比较，计算误差值，迭代训练过程。

2.如权利要求1所述用于多类别瑕疵实时检测的轻量化模型构建方法，其特征在于，获取含多类别瑕疵的目标物体图像，形成图像数据集，还包括：

对图像的瑕疵进行矩形框标记，并对应生成瑕疵信息，其中，瑕疵信息包括瑕疵类别、矩形框中心坐标及矩形框尺寸。

3.如权利要求1所述用于多类别瑕疵实时检测的轻量化模型构建方法，其特征在于，超参数包括用于轻量化模型训练的图像批量大小、初始学习率、动量因子、权重衰减系数及迭代次数。

4.如权利要求1所述用于多类别瑕疵实时检测的轻量化模型构建方法，其特征在于，第一空洞卷积层组、第二空洞卷积层组和第三空洞卷积层组的卷积核大小相同；

双空洞卷积层的两个空洞卷积层卷积系数分别为1和3。