申请/专利权人：浙江工业大学

申请日：2020-07-09

公开（公告）日：2024-06-21

公开（公告）号：CN111986145B

主分类号：G06T7/00

分类号：G06T7/00;G06V10/82;G06N3/0464;G06V10/774;G06V10/25;G06V10/764

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2020.12.11#实质审查的生效;2020.11.24#公开

摘要：一种基于Faster‑RCNN的轴承滚子瑕疵检测方法，包括以下步骤：1获取数据，通过实验装置设备拍摄轴承滚子照片；2将数据集分为训练集和预测集，为训练集中的数据制作单一缺陷标签；3用训练集训练Faster‑RCNN网络；4用训练好的Faster‑RCNN模型对预测集的图片进行检测，得到每张图片的检测结果；5删除原有标签，为训练集中的数据制作15类缺陷标签，预测集中的数据不作处理；6用新的训练集训练Faster‑RCNN网络；7用新的Faster‑RCNN模型对预测集的图片进行检测，得到每张图片的检测结果。本发明构建Faster‑RCNN模型，准确率较高、检测速度较快。

主权项：1.一种基于Faster-RCNN的轴承滚子瑕疵检测方法，其特征在于，所述方法包括以下步骤：S1：获取数据，通过实验装置设备拍摄轴承滚子照片；S2：将数据集分为训练集和预测集，为训练集中的数据制作单一缺陷标签，测试集中的数据不作处理；S3：用训练集训练Faster-RCNN网络；S4：用训练好的Faster-RCNN模型对预测集的图片进行检测，得到每张图片的检测结果；S5：删除原有标签，为训练集中的数据制作15类缺陷标签，每种标签分别对应一种缺陷类型，预测集中的数据不作处理；S6：用新的训练集训练Faster-RCNN网络；S7：用新的Faster-RCNN模型对预测集的图片进行检测，得到每张图片的检测结果；所述步骤S3包括以下步骤：S3-1：选用Faster-RCNN网络对训练集进行训练，定义并初始化相关参数，分类模型选择resnet101，输入的图像尺寸为1920*1200；S3-2：将图片作为神经网络的输入，其中所选用的Faster-RCNN部分网络包含13个卷积层，13个ReLU层，4个池化层，通过该网络可提取输入图片的特征映射，用于后续的区域生成网络和全连接层；S3-3：区域生成网络生成区域候选框，兴趣区域池化层利用区域生成网络生成的区域候选框和之前已获得的特征映射，得到固定大小的特征图；S3-4：将兴趣区域池化层形成固定大小的特征图进行全连接操作，进行具体类别的分类，用L1Loss完成边框回归操作获得物体的精确位置，计算损失函数，同时更新整个网络的参数，得到训练模型，训练损失包括分类损失和回归损失；所述S3-3中，RPN模块生成regionproposals，RoIPooling层利用RPN生成的proposals和之前已获得的特征映射，得到固定大小的proposalfeaturemaps；所述S3-4中，将RoIPooling层形成固定大小的proposalfeaturemaps进行全连接操作，利用softmax进行具体类别的分类，用L1Loss完成边框回归操作获得物体的精确位置，计算损失函数，同时更新整个网络的参数，得到训练模型，训练损失包括分类损失和回归损失，计算式如下： 式中，i表示每一个样本的下标，表示分类损失，分类损失的定义为pi表示预测为某一类别的概率，若当前样本为正样本，则pi＝1，若当前样本为负样本，则pi＝0，是标注过的真实数据的标签，表示边框回归损失，定义为SmoothL1t-t*，SmoothL1函数的定义为ti表示正样本到建议区域的平移缩放参数，表示正样本到标注过的真实数据的平移缩放参数。

全文数据：

权利要求：

百度查询： 浙江工业大学 一种基于Faster-RCNN的轴承滚子瑕疵检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD