(19)中华 人民共和国 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 202210041294.7 (22)申请日 2022.01.14 (71)申请人 重庆邮电大 学 地址 400065 重庆市南岸区黄桷垭崇文路2 号 (72)发明人 郑太雄　朱意霖　 (74)专利代理 机构 北京同恒源知识产权代理有 限公司 1 1275 代理人 廖曦 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/13(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01N 21/88(2006.01)G01B 11/24(2006.01) G06V 10/44(2022.01) (54)发明名称 一种微小尺寸 缺陷的测量与识别方法 (57)摘要 本发明涉及一种微小尺寸缺陷的测量与识 别方法， 属于工业缺陷检测和测量技术领域。 该 方法采用基于Canny算子亚像素法提取检测物的 边缘轮廓， 然后将感兴趣的微小区域进行矩阵固 定框选采取， 再将图片像素值和实际尺寸值进行 等比例坐标转换得到感兴趣区域的尺 寸， 采用改 进的YOLOv4进行目标检测框架， 将改良的 DenseCPSDarknet ‑53作为骨干网络， 与可裁剪的 下三角形金字塔特征提取架构相结合进行目标 特征提取得到三个不同尺寸的图像特征， 再通过 通道注意力和空间注意力机制进行权重叠加， 最 后通过YOLO  head部分， 得到缺陷类型和尺寸。 本 发明解决了使用传统视觉方法在工业缺陷检测 时误检， 漏检率高的问题。 权利要求书2页 说明书4页 附图3页 CN 114359256 A 2022.04.15 CN 114359256 A 1.一种微小尺寸 缺陷的测量与识别方法， 其特 征在于， 该 方法具体包括以下步骤： S1： 提取检测物的边缘轮廓图片， 并用外接圆将所有的图片进行同步旋转方式平移到 同一水平角度和位置； S2： 将感兴趣的微小测量区域进行矩阵固定框选采取， 然后把图片像素值和实际尺寸 值进行等比例坐标转换 得到感兴趣区域的尺寸； S3： 采用改进的YOLOv4作为目标检测框架， 将改良的DenseCPSD arknet‑53作为骨干网 络， 并结合可裁 剪的下三角形 金字塔特 征提取架构进行目标 特征提取； S4： 通过通道注意力和空间注意力机制对图像特征进行权重叠加， 得到三个不同尺寸 的图像特 征对图片和通道的重要部分进行提取； S5： 将步骤S4提取的目标特征分别输入到改进的YOLOv4目标检测框架末端的基于 anchor的YOLO  head， 进行不同尺寸的特 征提取； S6： 在改进的YOLOv4目标检测框架的全连接层中采用softmax分类器进行目标检测分 类， 并采用GIOU损失函数进行边框回归， 得到边框坐标； S7： 根据步骤S6得到的边框坐标使缺陷种类生成标注好的可视化图片， 然后进行下一 步的判定 。 2.根据权利要求1所述的微小尺寸缺陷的测量与识别方法， 其特征在于， 步骤S1中， 采 用传统视 觉Canny算子亚像素法提取检测物的边 缘轮廓图片。 3.根据权利要求2所述的微小尺寸缺陷的测量与识别方法， 其特征在于， 步骤S1中， Canny边缘检测算法计算公式为： 其中， Hij表示元素(i， j)经过高斯卷积后， i表示第i行元素， j表示j列元素， σ 表示方差， k表示核矩阵维度。 4.根据权利要求1所述的微小尺寸缺陷的测量与识别方法， 其特征在于， 步骤S2具体包 括： 采用一些相同大小的矩形框选感兴趣的微小测量区域进行框选， 并且在矩形框内把图 片像素点个数和实际尺寸 值进行等比例转换 得到感兴趣区域的尺寸。 5.根据权利要求1或4所述的微小尺寸缺陷的测量与识别方法， 其特征在于， 步骤S2中， 对于图像距离的测量采用平均距离方法， 假设两直线之上测量出来的亚像素点集合分别为 S1和S2： S1＝{(x11， y11)， (x12， y12)…(x1n， y1n)} S2＝{(x21， y21)， (x22， y22)…(x2n， y2n)} 其中， n表示 亚像素点的数量； 求出所有亚像素点到直线的距离总和的平均值Avera ge为： 最后， 用平均值乘以等比例转换值ρ 得到图像距离Tr： Tr＝Avera ge*ρ 其中， Tr表示实际尺寸大小。权　利　要　求　书 1/2 页 2 CN 114359256 A 26.根据权利要求1所述的微小尺寸缺陷的测量与识别方法， 其特征在于， 步骤S3中， 改 进的YOLOv4作为目标检测框架， 具体包括： 将改良的DenseCPSDarknet ‑53作为骨干网络， 在 传统的CPSDarknet ‑53上添加残差块， 把第二层的图像特征依次使用卷积核大小为2， 步长 为2的卷积操作， 然后和后面更深层的图像特征通道相加； 底层网络提取低级特征， 较高级 别的网络提取高级特征， 结合改进的可裁剪的下三角形金字塔特征提取架构代替FPN成为 neck进行目标 特征提取。 7.根据权利要求6所述的微小尺寸缺陷的测量与识别方法， 其特征在于， 步骤S3中， 改 进的可裁剪的下三角形金字塔特征提取架构， 把大尺寸的特征进行下采样保留图像信息， 然后把小尺寸特 征的经过上采样互相通道叠加。 8.根据权利要求1所述的微小尺寸缺陷的测量与识别方法， 其特征在于， 步骤S6中， GIOU损失函数的计算公式为： 其中， IOU表示交并比， 即预测框A和真实框B的交集除以二者的并集； C表示能够包住A、 B框的最小框 。权　利　要　求　书 2/2 页 3 CN 114359256 A 3