(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210461820.5 (22)申请日 2022.04.28 (71)申请人 哈尔滨理工大 学 地址 150080 黑龙江省哈尔滨市南岗区学 府路52号 (72)发明人 李双全　徐嘉言　 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/30(2022.01) G06V 10/40(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的磁瓦表面缺陷检测系 统 (57)摘要 本发明公开了一种基于深度学习的磁瓦表 面缺陷检测系统， 涉及表面缺陷检测技术领域； 它的检测方法如下： 步骤一、 图像预处理及数据 增强： 1.1、 图像预处理； 1.2、 数据增强； 步骤二、 基于Faster  R‑CNN的小目标缺陷改进； 步骤三、 针对YOLOv4算法的改进； 本发明重新设计 anchors， 使anchors的尺度可以精确匹配到小目 标， 能够对磁瓦的崩烂缺陷、 偏磨缺陷、 裂纹缺 陷、 起层缺陷进行检测； 检测精度高， 且兼容能力 强， 同时检测快速、 全面。 权利要求书2页 说明书5页 附图1页 CN 114926405 A 2022.08.19 CN 114926405 A 1.一种基于深度学习的磁瓦表面 缺陷检测系统， 其特 征在于： 它的检测方法如下： 步骤一、 图像预处 理及数据增强： 1.1、 图像预处 理： 利用一个特定尺寸的模板按照某种规律依次覆盖图像的一个小区域， 在覆盖区域内按 照像素值的大小对像素点进行排序， 选取中值作为覆盖区域中心点的像素值； 1.2、 数据增强： 考虑采用T TA策略融合知识蒸馏的方式， 对数据集进行概 率性增强； 步骤二、 基于Faster  R‑CNN的小目标缺陷改进： Faster‑RCNN将特征抽取， 候选框提取， 边框回归都整合在了一个网络中， Faster ‑RCNN 只在Con5_3进行Roipooling， 这一层的特征对应原图的Scale都是很大的， 因为进行了4次 下采样， 1个4 ×4的Ahchor对应原图64 ×64的Object； 为满足对小目标检测的任务要求， 重新设计Anchors使获得Anchors的尺度精确匹配到 小目标； DCP算法的参数少， DCP算法只需计算 点与点之间的距离， 复杂度低； 步骤三、 针对YOLOv4 算法的改进： 在磁瓦缺陷的训练集中每张图像包含多个目标， YOLOv4分类误差中采用的交叉熵损失 函数难以解决样本不平衡的问题， 而Focal  loss具有调节样 本不平衡和挖掘困难样 本的作 用， Focal loss函数如式(4 ‑6)所示： FL(Pt)＝‑αt(1‑Pt)γlog(Pt)  (4) 式(4‑6)中， p∈(0， 1)， 表示样本预测的概率； 是用于控制正负样本对总损失影响的平 衡参数， 可调节样本不平衡对损失的影响； α∈(0， 1)， 当正样本占比更少时， 可减小α 的取 值， 加大样本预测错误时的惩罚； γ是用于控制难易样本对总损失的聚焦参数， 当γ>1时可 降低简单样本的损失， 使得模型 更关注学习难分辨的样本 。 2.根据权利要求1所述的一种基于深度 学习的磁瓦表面缺陷检测系统， 其特征在于： 所 述DCP算法内容如下 所示： (1)计算每个数据点之间的距离， 生成三列距离矩阵， 矩阵前两列表示数据标号， 第三 列表示前两列数据点之间的距离； (2)确定类簇中心点： 类簇中心点的局部密度高， 与高密度点之间的距离大； (3)其他数据点以上述两个数据量作为维度可视化输出， 得到的可以直观选择聚类中 心点和异常值 点的决策图； (4)忽略异常值， 其他非聚类中心点数据根据距离远近， 分配到附近的聚类中心类簇 中； 局部密度的定义 为： 权　利　要　求　书 1/2 页 2 CN 114926405 A 2高密度点之间距离 定义为： δi＝min(dij)  (3) 这种算法突出的是只对局部密度与高密度点之间的距离这两个量进行计算； 改进后的 anchors可以精确匹配到小目标。权　利　要　求　书 2/2 页 3 CN 114926405 A 3