CN116152226B 基于可融合的特征金字塔的换向器内侧图像缺陷检测方法 （东莞职业技术学院）

号基于可融合的特征金字塔的换向器内侧图本发明涉及基于可融合的特征金字塔的换提取网络将提取的多级别特征输入多尺度特征接后的多级别特征输入多尺度特征金字塔网络所述特征拼接模块输入的特征生成具有多个尺的特征聚合模块将所述步骤S1中的多级别特征与所述步骤S3中的多尺度特征聚合为可融合的塔后添加数个卷积层获取卷积神经网络；步骤2步骤S1，特征提取网络提取待检测换向器内侧图像的多级别特步骤S2，所述特征拼接模块对输入的多级别特征进步骤S3，所述编解码模块根据所述特征拼接模块输入的特征生成具有多个尺度的特步骤S4，所述多尺度特征金字塔网络的特征聚合模块将所述步骤S5，对卷积神经网络进行训练，并将待检测换向器2.根据权利要求1所述的基于可融合的特征金字塔的换向器内侧图像缺陷检测方法，3.根据权利要求2所述的基于可融合的特征金字塔的换向器内侧图像缺陷检测方法，2δ(W1z))4.根据权利要求3所述的基于可融合的特征金字塔的换向器内侧图像缺陷检测方法，35.根据权利要求4所述的基于可融合的特征金字塔的换向器内侧图像缺陷检测方法，YOLOv3中Darknet的结构与残差结构6.根据权利要求5所述的基于可融合的特征金字塔的换向器内侧图像缺陷检测方法，7.根据权利要求6所述的基于可融合的特征金字塔的换向器内侧图像缺陷检测方法，8.根据权利要求7所述的基于可融合的特征金字塔的换向器内侧图像缺陷检测方法，9.根据权利要求8所述的基于可融合的特征金字塔的换向器内侧图像缺陷检测方法，宽度，heightimg为待检测换向器图像的高度，widthbox为预测得到的边界框的宽度，4[0003]中国专利ZL201910242976.2公开了基于特征金字塔网络的特征增强目标检测方以解决无法将多层级特征和多尺度特征融合以解决特征金字塔在对换向器内侧图像缺陷5δ(W1z))构时由YOLOv3中Darknet的结构与[0029]步骤S52，采用Soft_NMS方法对高度重叠的预测框进行过滤以得到最终预测边界6在网格坐标为(row，col)，widthimg和heightimg代表整幅图像的宽度和高度，widthbox和[0041]尤其，所述梭形残差结构是在MobileNet中将传统的卷积模块设计成深度卷积结7[0045]图1为发明实施例基于可融合的特征金字塔的换向器内侧图像缺陷检测系统结构[0046]图2为发明实施例基于可融合的特征金字塔的换向器内侧图像缺陷检测方法流程[0052]图8为发明实施例FasterR_CNN算法与FasterR_CNN_ResNet_101算法在本文上8[0061]请参阅图1所示，其为本发明实施例基于可融合的特征金字塔的换向器内侧图像聚合模块用于将多级别特征和多尺度特征融合为可融[0065]请阅图2所示，其为本发明实施例基于可融合的特征金字塔的换向器内侧图像缺9δ(W1z))层级特征信息，突破特征金字塔卷积后的特征图主要是单一层次的特征表征而成的局限搭建，并使用步长为2的Mobilenet结构进行下采样操作，其中，所述梭形残差结构时由YOLOv3中Darknet的结构与残差结构[0087]具体而言，所述梭形残差结构是在MobileNet中将传统的卷积模块设计成深度卷特征进行拼接即可，本发明实施例提供一种优选的特征拼接模块具体构造，请参阅图5所[0096]步骤S52，采用Soft_NMS方法对高度重叠的预测框进行过滤以得到最终预测边界采样过程，得到了N×N(N为卷积特征图的长和宽)个三维张量编码的边界框、对象和类预[0116]步骤S20，将图片X依次输入训练完成的卷积神经网络，得到预测框集合。采用Soft_NMS对重叠度高的预测框筛选，输出通过神经网络得到的最终结果:预测框左上角的器内测图像缺陷区域与真实标注换向器内测图像缺陷区域的IOU大于70％时才认为检测到[0122]表1中的综合结果计算方式为:将每次对比试验的数据集总换向器内测图像缺陷提高5.64中尺度缺陷检测提高了5.17小尺度提高了7.09与YOLOv3相比，该方法12中分别展示了上述方法的P_R图。将各个算法在本文数据集下三个不同难度中的AP值在表2中展列。以看出，本文算法在本文数据集下三个不同标准(Easy/Moderate/Hard)下的AP分别达到生的多尺度特征图与最初骨干网络中生成的三尺度特征图进行特征融合并且加入特征注[0127]根据表2中与R_CNN系列算法比较的结果可以看出，相较于R_CNN与FasterR_CNN等二阶段的目标检测算法来说，本文算法由于是基于YOLOv3单阶段目标检测算法改进而也有着一定的提高，主要是因为充分结合了浅层的空间信息与深层的语义信息(YOLOv2算本文算法在实际情况下处理换向器内测图像缺陷检测时更改或替换之后的技术方案都将落入本发明的保护范