一种基于改进FPN模型的工业微小物体缺陷识别检测方法

本发明属于机器视觉中的物体检测，具体涉及一种基于改进fpn模型的工业微小物体缺陷识别检测方法。

背景技术：

1、目前，使用深度学习技术进行目标检测已在日常生活随处可见。然而，在实际应用中，由于微小物体体积较小，对其进行检测实际精度较低。在图像处理过程中，随着图像的大小和分辨率的增加，背景变得更加复杂，对象区域变得更小。此外，由于特征提取问题，小物体容易被遗漏重叠和遮挡，此类现象也会影响检测精度。因此，为了提高检测微小物体精度，必须扩大网络的接受范围。然而，随着网络接受范围的扩大，对于物体的检测速度会降低。因此，如何在实时情况下对工业微小物体进行检测也就成为一个亟待解决的问题。

技术实现思路

1、本发明的目的在于针对现有技术中的上述不足，提供一种基于改进fpn模型的工业微小物体缺陷识别检测方法，以解决工业微小物体在实时情况下不易检测、检测精度不佳的问题。

2、为达到上述目的，本发明采取的技术方案是：

3、一种基于改进fpn模型的工业微小物体缺陷识别检测方法，其包括以下步骤：

4、s1、构建混合卷积模块和瓶颈结构模块；

5、s2、根据混合卷积模块和瓶颈结构模块进行主干网络基本结构和颈部网络基本结构的构建；

6、s3、基于经典fpn模型、主干网络基本结构和颈部网络基本结构，构建工业微小物体检测模型；

7、s4、采用图像数据集对工业微小物体检测模型进行训练和优化；

8、s5、将待检测的工业微小物体图像输入优化后的工业微小物体检测模型中，进行缺陷识别检测。

9、进一步地，步骤s1中混合卷积模块和瓶颈结构模块均包括conv-bn-silu结构；conv-bn-silu结构将输入的图像转换为特征图。

10、进一步地，conv-bn-silu结构包括卷积层、bn结构和sliu结构；

11、卷积层对输入图像进行卷积运算，并输出一组特征图；一组特征图进入bn结构进行批量归一化处理，输出一组规范化后的特征图；一组规范化后的特征图输入至sliu结构进行非线性变换，输出一组经过非线性变换的特征图。

12、进一步地，卷积层对输入图像进行卷积运算，具体为：

13、

14、其中，ad,i,j为特征图在图像深度为d时的第i行j列元素；wd,m,n为图像深度为d时的卷积核第m行n列权重；wb为卷积核的偏置项；f为激活函数；f为整个卷积层的输出特征图；d为图像最大深度。

15、进一步地，bn结构对输入的特征图进行批量归一化处理，其具体为：

16、

17、

18、其中，输入图像数据集合b＝{x1,x2,...,xm}，xi为集合b中第i个输入图像数据，μb为平均值；为方差；ε为微小值。

19、进一步地，sliu结构对特征图进行非线性变换，其具体为：

20、f(x)＝x*σ(x)

21、

22、其中，x为激活函数的输入，即输入图像数据值；σ(x)为标准激活函数式；e为自然常数。

23、进一步地，步骤s2中主干网络基本结构的右支处包括混合卷积模块，该混合卷积模块包含3×3内核的两个卷积层，该卷积层生成不同的特征图和梯度信息；所述混合卷积模块分成两部分，一部分直接向下，通过快捷连接部分与双向silu卷积块连接；另一部分通过瓶颈结构模块与快捷连接部分连接。

24、进一步地，步骤s3中工业微小物体检测模型包括4个主干网络基本结构和6个颈部网络基本结构；其中，四个主干网络基本结构位于主干，两个颈部网络基本结构位于颈部，四个颈部网络基本结构位于头部。

25、进一步地，位于工业微小物体检测模型主干的主干网络基本结构中使用的瓶颈层数ci定义为：

26、

27、其中，i为主干网络基本结构在主干网络中的位置。

28、进一步地，工业微小物体检测模型的头部包括预测模块f1、预测模块f2和预测模块f3；在学习时，将预测模块f1、预测模块f2和预测模块f3通道的训练比率分别为0.4、0.3和0.3。

29、本发明提供的基于改进fpn模型的工业微小物体缺陷识别检测方法，具有以下有益效果：

30、1、本发明通过融合颈部的上层特征层来最大化一个微小物体的特征信息，以最小化瓶颈，最大化梯度信息的方式，尽可能实时检测和保存微小物体的特征信息，可有效解决实时检测下对工业微小物体检测精度缺少、速率较慢的问题。

31、2、本发明对经典fpn模型进行改进，可以提高主干和颈部的速度，学习更多样化的梯度信息，以及一个具有特征融合层的模型，可以获得低水平、高分辨率的特征信息。

32、3、本发明考虑在工业微小物体缺陷识别检测领域缺少精度高的实时检测模型，设计针对于该特定领域的检测模型，提高了其精度及速率，提高了其实用性，具备应用价值。

33、4、本发明通过增加和优化网络结构，使得模型能学习到更多样化的梯度信息，尤其是针对微小物体特征的梯度信息得以保留和放大，有利于微小物体的准确检测。

技术特征：

1.一种基于改进fpn模型的工业微小物体缺陷识别检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于改进fpn模型的工业微小物体缺陷识别检测方法，其特征在于，所述步骤s1中混合卷积模块和瓶颈结构模块均包括conv-bn-silu结构；所述conv-bn-silu结构将输入的图像转换为特征图。

3.根据权利要求2所述的基于改进fpn模型的工业微小物体缺陷识别检测方法，其特征在于：所述conv-bn-silu结构包括卷积层、bn结构和sliu结构；

4.根据权利要求3所述的基于改进fpn模型的工业微小物体缺陷识别检测方法，其特征在于：所述卷积层对输入图像进行卷积运算，具体为：

5.根据权利要求4所述的基于改进fpn模型的工业微小物体缺陷识别检测方法，其特征在于：所述bn结构对输入的特征图进行批量归一化处理，其具体为：

6.根据权利要求5所述的基于改进fpn模型的工业微小物体缺陷识别检测方法，其特征在于：所述sliu结构对特征图进行非线性变换，其具体为：

7.根据权利要求1所述的基于改进fpn模型的工业微小物体缺陷识别检测方法，其特征在于：所述步骤s2中主干网络基本结构的右支处包括混合卷积模块，该混合卷积模块包含3×3内核的两个卷积层，该卷积层生成不同的特征图和梯度信息；所述混合卷积模块分成两部分，一部分直接向下，通过快捷连接部分与双向silu卷积块连接；另一部分通过瓶颈结构模块与快捷连接部分连接。

8.根据权利要求1所述的基于改进fpn模型的工业微小物体缺陷识别检测方法，其特征在于：所述步骤s3中工业微小物体检测模型包括4个主干网络基本结构和6个颈部网络基本结构；其中，四个主干网络基本结构位于主干，两个颈部网络基本结构位于颈部，四个颈部网络基本结构位于头部。

9.根据权利要求8所述的基于改进fpn模型的工业微小物体缺陷识别检测方法，其特征在于：位于工业微小物体检测模型主干的主干网络基本结构中使用的瓶颈层数ci定义为：

10.根据权利要求8所述的基于改进fpn模型的工业微小物体缺陷识别检测方法，其特征在于：所述工业微小物体检测模型的头部包括预测模块f1、预测模块f2和预测模块f3；在学习时，将预测模块f1、预测模块f2和预测模块f3通道的训练比率分别为0.4、0.3和0.3。

技术总结
本发明公开了一种基于改进FPN模型的工业微小物体缺陷识别检测方法，包括：构建混合卷积模块和瓶颈结构模块；根据混合卷积模块和瓶颈结构模块进行主干网络基本结构和颈部网络基本结构的构建；基于经典FPN模型、主干网络基本结构和颈部网络基本结构，构建工业微小物体检测模型；采用图像数据集对工业微小物体检测模型进行训练和优化；将待检测的工业微小物体图像输入优化后的工业微小物体检测模型中，进行缺陷识别检测。本发明通过融合颈部的上层特征层来最大化一个微小物体的特征信息，以最小化瓶颈，最大化梯度信息的方式，尽可能实时检测和保存微小物体的特征信息，可有效解决实时检测下对工业微小物体检测精度缺少、速率较慢的问题。

技术研发人员：曹明生,陈虹良,丁桥隆,张宇,及宇轩,王竣,黄丹
受保护的技术使用者：电子科技大学
技术研发日：
技术公布日：2024/12/5