(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 202210382283.5 (22)申请日 2022.04.13 (71)申请人 重庆守愚科技有限公司 地址 400041 重庆市高新区大 学城中路临 25号1012 (72)发明人 周吉祥　王翊　张勇　 (74)专利代理 机构 重庆巨华智汇知识产权代理 事务所(普通 合伙) 50271 专利代理师 杨明 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/80(2022.01) G06V 10/764(2022.01)G06V 10/774(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于浅层各项异性金字塔网络的表面 划痕快速 检测系统 (57)摘要 本发明提供一种基于浅层各项异性金字塔 网络的表面划痕快速检测系统， 包括以下步骤： S1数据预处理； S2数据增强； S3模型搭建； S4模型 训练； 本发明的有益效果是： 1本发明具有较低的 网络参数量。 2 本发明在Den se连接中采用相加的 方法方式进行特征的融合， 相比传统Dense连接 参数量小训练耗时少， 本发明采用各项异性卷积 操作取代传统的卷积操作， 进一步的降低了网络 的参数量。 权利要求书2页 说明书6页 附图3页 CN 114742159 A 2022.07.12 CN 114742159 A 1.一种基于 浅层各项异性金字塔网络的表面划痕快速检测系统， 包括以下步骤： S1数据预处 理； S2数据增强； S3模型搭建； S4模型训练。 2.如权利要求1所述的一种基于浅层各项异性金字塔网络的表面划痕快速检测系统， 所述步骤S1包括： 将采集原始图像和对应的标签分别 缩小到256 ×256大小， 然后采用以下公式进行归一 化处理： 其中 μ、 σ 分别为原 始图像数据的均值和方差， x表示原 始图像数据。 3.如权利要求1所述的一种基于浅层各项异性金字塔网络的表面划痕快速检测系统， 所述步骤S2包括： 在训练之前， 采用Pix2Pix模型进行图像的生成， 生成的数目是原始图像的3倍， 然后采 用第一策略对GAN网络增强后的图像进行进一 步的增强， 第一策略增强 公式如下： x*＝ λxi+(1‑λ )xj y*＝ λyi+(1‑λ )yj 其中x， y表示原始图像数据， λ表示标签和融合系数， 通过调整λ和不同图像的组合来对 图像进行增， 生成的数目是原始图像的6倍， 在训练过程中采用随机选择、 随机裁剪、 噪声处 理方式对输入网络的数据进行进一 步的增强处 理。 4.如权利要求1所述的一种基于浅层各项异性金字塔网络的表面划痕快速检测系统， 所述步骤S3包括： 利用pytorch深度学习库进行SPN网络的构建， SPN采用Encoder ‑Decoder框架， Encoder 模块采用卷积块的堆叠进行特征提取， 利用步长为2的最大池化操作来降低特征 的空间分 辨率； Decoder模块利用三线性插值的方法将 Encoder模块提取的富含语义信息的特征图谱 逐渐恢复到原始图像大小， 并对图像中的每一个像素进行分类。 Encoder包含3个stage， 通 道数分别设定为64， 128， 256。 DASAPM模块中的卷积的扩张系数d分别设置为1， 3， 5， 7， 12， 网 络在stage1和sta ge2上添加辅助损失。 5.如权利要求1所述的一种基于浅层各项异性金字塔网络的表面划痕快速检测系统， 所述步骤S3包括： 模型采用第 一损失函数和第 二损失函数的组合作为网络的损失函数， 第 一损失函数公 式如下： CE(y， p)＝yl ogp+(1‑y)log(1‑p) p表示预测结果的概 率图谱； 第二损失函数公式如下： 混合损失函数为：权　利　要　求　书 1/2 页 2 CN 114742159 A 2Loss(y， p)＝C E(y， p)+DiceL oss(y， p) 在stage1和sta ge2中添加了 辅助损失， 网络的整体损失函数为： Losstotal＝Lossmain(y， p)+λ1Lossaux1(y， p)+λ2Lossaux2(y， p) 其中Lossmain， Lossaux1， Lossaux2分别表示主损失， st age1的辅助损失， 是st age2的辅助 损失， λ1和 λ2是权重系数， 设置为0.5和0.8。 6.如权利要求1所述的一种基于浅层各项异性金字塔网络的表面划痕快速检测系统， 所述步骤S4包括： 利用现场收集到的金属表面划痕数据进行验证， 数据包含65 张格式为.png的原始图像 及其对应的手工标注结果， 随机选取50套作为训练集， 5套作为验证集， 10套作为测试集。 采 用步骤2方法的对训练数据进行增强； 采用动能为0.9的SGD优化器进行模型的优化， 学习速率设置为0.0001， batch设置为6， 最大迭代次数为1000个epoch。 采用early ‑stopping机制进行模 型的训练的控制， 设置忍耐 限度为10个epoc h。 7.如权利要求1所述的一种基于浅层各项异性金字塔网络的表面划痕快速检测系统， 还包括步骤S5模型性能评估， 所述 步骤S5包括： 在测试集上采用第一指标评估模型分割的精度， 第一指标的取值范围是[0， 1]， 第一指 标的计算公式如下： 权　利　要　求　书 2/2 页 3 CN 114742159 A 3