(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 202210450239.3 (22)申请日 2022.04.27 (71)申请人 长春理工大 学 地址 130000 吉林省长 春市朝阳区卫星路 7089号 (72)发明人 石广丰　胡行宽　李友良　车建伟　 张景然　李俊烨　王丽娜　毛宇航　 史国权　 (74)专利代理 机构 沈阳一诺君科知识产权代理 事务所(普通 合伙) 2126 6 专利代理师 王建男 (51)Int.Cl. G06T 7/00(2017.01) G06V 20/70(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06V 10/25(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于神经网络的飞轮盘半制品表面缺 陷检测方法 (57)摘要 本申请提供了一种基于神经网络的飞轮盘 半制品表面缺陷检测方法， 包括： 获取飞轮盘半 制品的样 本缺陷数据； 根据所述样 本缺陷数据改 进FasterR ‑CNN网络， 得到表面缺陷检测网络； 根 据所述样 本缺陷数据训练表面缺陷检测网络， 得 到表面缺陷检测网络模型； 获取待检测的飞轮盘 半制品的实际待测数据， 并且输入至所述表面缺 陷检测网络模型， 如果存在缺陷， 所述表面缺陷 检测网络模型对检测到的缺陷进行定位和分类 并且输出检测结果。 由于本申请可通过表面缺陷 检测网络模型自动化检测飞轮盘半制 品表面缺 陷情况， 所以本申请解决了 现有的关于飞轮盘表 面缺陷检测 中人工检测效率低并且检测质量不 稳定， 以及容 易导致误检和漏检的问题。 权利要求书2页 说明书6页 附图4页 CN 115018764 A 2022.09.06 CN 115018764 A 1.一种基于神经网络的飞轮 盘半制品表面 缺陷检测方法， 其特 征在于， 包括： S1： 获取用于训练表面缺陷检测网络的飞轮盘半制品的包括缺陷位置和缺陷类别的样 本缺陷数据； S2： 根据所述样本缺陷数据改进FasterR ‑CNN网络， 得到表面 缺陷检测网络； S3： 根据所述样本缺陷数据训练表面 缺陷检测网络， 得到表面 缺陷检测网络模型； S4： 获取待检测的飞轮盘半制品的实际待测数据， 并且输入所述实际待测数据至所述 表面缺陷检测网络模型， 如果存在缺陷， 所述表面缺陷检测网络模型对检测到的缺陷进行 定位和分类并且输出包括 缺陷位置和缺陷类别的检测结果。 2.根据权利要求1所述的一种基于神经网络的飞轮盘半制品表面缺陷检测方法， 其特 征在于， 所述 步骤S1包括： S11： 通过同轴照明方式获取用于训练表面 缺陷检测网络的飞轮 盘半制品的表面图像； S12： 标注所述表面图像中的缺陷位置和缺陷类别， 得到样本缺陷标注数据； S13： 分析所述样本缺陷标注数据， 得到分析结果， 并且根据所述分析结果对所述样本 缺陷标注数据进行 数据增强和类别均衡化处 理， 得到样本缺陷数据。 3.根据权利要求2所述的一种基于神经网络的飞轮盘半制品表面缺陷检测方法， 其特 征在于， 所述数据增强包括： 平 移、 翻转、 镜像、 对比度调整和亮度变化。 4.根据权利要求1所述的一种基于神经网络的飞轮盘半制品表面缺陷检测方法， 其特 征在于， 所述 步骤S2包括： S21： 根据所述样本缺陷数据确定多尺度的缺陷特 征； S22： 在FasterR‑CNN网络的基础上， 通过在ResNet50主干网络中引入FPN特征金字塔结 构用于对所述多尺度的缺陷特 征进行融合， 得到表面 缺陷检测网络 。 5.根据权利要求4所述的一种基于神经网络的飞轮盘半制品表面缺陷检测方法， 其特 征在于， 所述 步骤S21包括： S211： 根据所述样本缺陷数据， 通过可变形卷积强化所述表面缺陷检测网络对复杂缺 陷形态的捕捉能力。 6.根据权利要求1所述的一种基于神经网络的飞轮盘半制品表面缺陷检测方法， 其特 征在于， 所述 步骤S2包括： S23： 根据所述样本缺陷数据， 在FasterR ‑CNN网络的残差结构中融入 “挤压”和“激励” 的通道注意力机制， 得到表面 缺陷检测网络 。 7.根据权利要求1所述的一种基于神经网络的飞轮盘半制品表面缺陷检测方法， 其特 征在于， 所述 步骤S2包括： S24： 根据所述样本缺陷数据确定全局特 征信息； S23： 通过 融入全局特征信息， 改进F asterR‑CNN网络的ROIPooling池化方法， 得到表面 缺陷检测网络 。 8.根据权利要求1所述的一种基于神经网络的飞轮盘半制品表面缺陷检测方法， 其特 征在于， 所述 步骤S3包括： S31： 选取PyTorch作为深度学习框架并且根据VOC2012数据集对表面缺陷检测网络进 行预训练； S32： 根据所述样本缺陷数据训练表面缺陷检测网络， 不断更新优化得到权重参数， 得权　利　要　求　书 1/2 页 2 CN 115018764 A 2到表面缺陷检测网络模型。 9.根据权利要求8所述的一种基于神经网络的飞轮盘半制品表面缺陷检测方法， 其特 征在于， 所述 步骤S32包括： S321： 根据所述样本缺陷数据训练表面缺陷检测网络， 采用S GD随机梯度下降法对网络 模型中的权重参数进行更新优化， 设置学习 率衰减权重为0.001， 并且训练epoch的数量为 100个， 以及每当完成一个epoc h的训练后， 保存权 重参数和mAP值； S322： 进行100个epoch的训练， 并且在训练完成后选择mAP值最大的相应的epoch的权 重参数加载， 得到表面 缺陷检测网络模型。权　利　要　求　书 2/2 页 3 CN 115018764 A 3