【技术实现步骤摘要】
本专利技术属于麦克风缺陷检测，尤其涉及一种基于改进faster r-cnn模型的麦克风缺陷检测方法。
技术介绍
1、相对于人工检测，利用计算机视觉技术和图像处理的目标检测算法，可以对产品进行高速、高精度的检测。这种方法具有快速、准确、可靠的特点，大大提高了生产效率和产品质量。传统的目标检测算法在一定程度上能够实现目标的检测，但也存在一些问题，如对目标尺度、姿态和遮挡等情况的适应性较差，对复杂背景和光照变化的鲁棒性较低。随着深度学习的发展和硬件设备算力的提升，基于深度学习的卷积神经网络崭露头角，人们开始利用卷积神经网络自动提取图像中的特征并将其应用在目标检测中，极大地提升了目标检测效果。
2、目前主流的深度学习目标检测算法分为两阶段和单阶段算法。其中，两阶段检测算法在准确性、多尺度处理能力、目标定位精度和适应复杂场景等方面通常具有优势，因此在许多目标检测任务中得到了广泛的应用。
3、虽然已有的两阶段目标检测算法被应用在通用的视觉目标检测任务中，但是对于手机麦克风等类似的缺陷检测以传统的机器视觉方法为主。然而，手机麦克风产品的缺陷存在尺度不一、分布位置不均匀等问题，传统机器视觉检测可能无法有效处理这些复杂情况。因此，手机麦克风的缺陷检测不仅存在检测速度慢、检测精度较低的问题，而且漏检率和误检率较高，严重影响手机麦克风的生产。
4、传统的基于机器视觉的缺陷检测存在一些不足之处。首先，传统方法通常需要大量的手工特征提取和设计，这在处理复杂的缺陷时可能会导致特征提取的困难和不足。其次，传统方法对光照、角
技术实现思路
1、本专利技术目的在于提供一种基于改进faster r-cnn模型的麦克风缺陷检测方法，以解决上述的技术问题。
2、为解决上述技术问题，本专利技术的一种基于改进faster r-cnn模型的麦克风缺陷检测方法的具体技术方案如下：
3、一种基于改进faster r-cnn模型的麦克风缺陷检测方法，包括如下步骤：
4、s1、根据已知的麦克风缺陷类别对已有的麦克风图像进行标注，并进行预处理；
5、s2、基于faster r-cnn目标检测模型，选取性能较优的卷积神经网络作为模型的特征提取网络；
6、s3、对faster r-cnn目标检测模型结构进行改进，基于已有的特征提取网络，嵌入afpn特征融合模块，采用mpdiou损失函数替换原有的边界框损失函数，获取更快的收敛速度和更准确的回归结果。
7、s4、在手机麦克风数据集上进行模型训练，根据精确率、召回率、平均精度和平均精度均值等指标评估模型是否达标；
8、s5、用训练好的模型在测试集上进行预测，得到缺陷目标的类别、定位及对应的精度。
9、进一步的，所述s1对已有的麦克风图像进行标注，具体包括：
10、s101、根据缺陷认定规则对预先获取的每张手机麦克风图像中的各个部件的缺陷类型进行人工标注，缺陷类型的标签包括异物、胶露、划痕、毛刺和污点；
11、s102、使用模糊、裁剪、旋转、平移、镜像方法对标注后的麦克风数据集进行扩充，增加缺陷样本的数量和多样性；
12、s103、将扩充后的麦克风图片和xml文件存放在对应的文件夹下，并将其按照8:1:1的比例划分成训练集、测试集、验证集，生成对应的train.txt、test.txt和val.txt。
13、进一步的，所述s2选取性能较优的卷积神经网络作为模型的主干网络，具体包括：
14、s201、选取性能优秀、鲁棒性强的resnet-101作为faster r-cnn的主干网络，resnet 101网络结构包括卷积操作层、残差块、平均值池化层和全连接网络层；
15、s202、采用voc2012数据集对resnet-101神经网络进行预训练，得到网络权重，将预训练好的权重加载到faster r-cnn的特征提取网络中；
16、s203、之后的训练过程中冻结resnet-101网络部分，即resnet-101网络的参数不进行反向传播，不进行梯度更新。
17、进一步的，所述s3对faster r-cnn目标检测模型结构进行改进，具体包括：
18、s301、基于已有的resnet-101网络，嵌入afpn特征融合模块，将深层语义低分辨率特征与浅层的浅语义高分辨率的特征进行融合；
19、s302、遵循faster r-cnn框架的设计，从主干的每个特征层中提取最后一层特征，从而产生一组不同尺度的特征，表示为{c2,c3,c4,c5}；s303、将{c2,c3,c4,c5}传入afpn特征融合模块进行特征融合，首先将低级特征c2和c3输入到特征金字塔网络中，然后添加c4，最后添加c5，从而避免了非相邻层之间的语义差距；
20、s304、在特征融合步骤之后，产生一组多尺度特征{p2，p3，p4，p5}，基于在fasterr-cnn框架上进行的实验，对p5应用了一个步长为2的卷积，然后再使用另一个步长为1的卷积来生成p6；
21、s305、在多层次特征融合过程中为不同层次的特征分配不同的空间权重，融合三个层次的特征，设表示从n级到l级的(i，j)位置的特征向量，记为由多级特征自适应空间融合得到，由特征向量和的线性组合定义如下：
22、
23、其中，和表示第l层三个层次的特征的空间权重，约束条件为
24、s306、输出多尺度特征图至区域建议网络。
25、进一步的，所述s4候选框精准定位，具体包括：
26、s401、在得到多尺度特征图后，将特征图输入至区域建议网络rpn；
27、s402、在各尺度的特征图上套用相同设计的rpn head：3×3conv和两个同级的1×1conv，在每一个尺度的特征图上分配一套固定尺度的anchors；
28、s403、rpn网络实际分为两部分，一部分通过softmax分类获取anchors正负样本，比例为1：1，另一部分用于计算对于anchors相对真实框的偏移量，从而将proposals的位置调整为更准确的目标边界框位置，最后则综合anchor正样本和对应的边界框偏移量获取proposals，同时剔除太小和超出边界的proposals；
29、s404、rpn损失函数如下：
30、
31、lds为类别损失函数，使用交叉熵损失函数，lreg为边界框回归损失，使用mpdiou损失函数替代iou损失函数，表示第i个候选框对应的类别，为真实框相对候选框的偏移量；
【技术保护点】
1.一种基于改进Faster R-CNN模型的麦克风缺陷检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于改进Faster R-CNN模型的麦克风缺陷检测方法，其特征在于，所述S1对已有的麦克风图像进行标注，具体包括：
3.根据权利要求1所述的基于改进Faster R-CNN模型的麦克风缺陷检测方法，其特征在于，所述S2选取性能较优的卷积神经网络作为模型的主干网络，具体包括：
4.根据权利要求1所述的基于改进Faster R-CNN模型的麦克风缺陷检测方法，其特征在于，所述S3对Faster R-CNN目标检测模型结构进行改进，具体包括：
5.根据权利要求1所述的基于改进Faster R-CNN模型的麦克风缺陷检测方法，其特征在于，所述S4候选框精准定位，具体包括：
6.根据权利要求1所述的基于改进Faster R-CNN模型的麦克风缺陷检测方法，其特征在于，所述S5模型训练，具体包括：
7.根据权利要求1所述的基于改进Faster R-CNN模型的麦克风缺陷检测方法，其特征在于，所述S6用训
...【技术特征摘要】
1.一种基于改进faster r-cnn模型的麦克风缺陷检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于改进faster r-cnn模型的麦克风缺陷检测方法，其特征在于，所述s1对已有的麦克风图像进行标注，具体包括：
3.根据权利要求1所述的基于改进faster r-cnn模型的麦克风缺陷检测方法，其特征在于，所述s2选取性能较优的卷积神经网络作为模型的主干网络，具体包括：
4.根据权利要求1所述的基于改进faster r-cnn模型的麦克风缺陷检测方法，其特...
【专利技术属性】
技术研发人员：樊国栋，王佳勇，尹阳，郭磊，
申请(专利权)人：电子科技大学长三角研究院湖州，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。