基于改进FasterRCNN的工业产品缺陷检测方法
技术特征：
1.基于改进faster rcnn的工业产品缺陷检测方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的基于改进faster rcnn的工业产品缺陷检测方法，其特征在于：所述bs-star模块包含一个3×3卷积层通过归一化层，加入深度卷积融合star模块，star模块表示为：
3.根据权利要求1所述的基于改进faster rcnn的工业产品缺陷检测方法，其特征在于：所述改进的特征融合金字塔网络mfpn采用双向结构，resnet18的网络结构可以分为四个阶段，每个阶段由不同的残差块组成，第一阶段，输入图像经过一个3×3的卷积层和3×3的最大池化层，尺寸从112×112降低到56×56，通道数从3增加到64得到的特征图为c4，第二阶段，通过bs-star模块，使用步长为2的卷积进行下采样，将图像尺寸从56x56降低到28x28，通道数从64增加到128得到的特征图为c3，第三阶段，再通过bs-star模块，同样再次使用步长为2的卷积进行下采样，将图像尺寸从28x28降低到14x14，通道数从128增加到256得到的特征图为c2，第四阶段，最后通过bs-star模块，使用步长为2的卷积进行下采样，将图像尺寸从14x14降低到7x7，通道数从256增加到512得到的特征图为c1；mfpn网络自顶向下和横向连接的特征图融合后分别为p1、p2、p3、p4，并在c4、p3、p2和p1之间加入轻量级上采样模块dysample，实现多尺度特征的融合。
4.根据权利要求1所述的基于改进faster rcnn的工业产品缺陷检测方法，其特征在于：所述混合注意力机制sa-net模块结合特征通道和特征空间两个维度的注意力机制，通道注意力机制是在图像特征通道尺度上施加注意力权重，空间注意力机制是在图像特征空间尺度上施加注意力权重，混合注意力机制sa-net模块结合特征通道和特征空间两个维度；
5.根据权利要求1所述的基于改进faster rcnn的工业产品缺陷检测方法，其特征在于：所述resnet18网络第一阶段产生的低分辨率特征图c4采用的上采样方式是pixelshuffle，在低分辨率时采用pixel shuffle上采样不损失细节信息，信息总量保持不变；
6.根据权利要求1所述的基于改进faster rcnn的工业产品缺陷检测方法，其特征在于：所述改进faster rcnn的损失函数为：
技术总结
本发明涉及一种基于改进Faster RCNN的工业产品缺陷检测方法，属于计算机视觉技术领域。主要分为这四个部分：主干网络、区域候选网络RPN、兴趣域池化ROI、分类和回归。Backbone包含残差网络ResNet和特征金字塔网络FPN，通过对原始的ResNet18和FPN进行改进，实现多尺度特征图的融合，同时兼顾大目标，中目标和小目标的检测精度，使模型获得不同语义程度上的特征图信息。将混合注意力机制SA‑NET引入到Backbone中，能增加与缺陷相关的特征权重，同时提升图像的特征信息。本网络通过对Backbone的改进和加入注意力机制提高了检测速度和精度。
技术研发人员：郑太雄,穆鑫,黄鑫,齐晨阳,杨雨杭
受保护的技术使用者：重庆邮电大学
技术研发日：
技术公布日：2024/12/2
技术研发人员：郑太雄,穆鑫,黄鑫,齐晨阳,杨雨杭
技术所有人：重庆邮电大学
备 注：该技术已申请专利，仅供学习研究，如用于商业用途，请联系技术所有人。
声 明 ：此信息收集于网络，如果你是此专利的发明人不想本网站收录此信息请联系我们，我们会在第一时间删除