专利信息
| 属性 | 内容 |
|---|---|
| 申请号 | CN202410053849.9 |
| 公开号 | CN118134841A |
| 申请日 | 2024.01.12 |
| 申请人 | 超音速人工智能科技股份有限公司 |
| 发明人 | 张俊峰；叶长春；廖绍伟 |
摘要
本发明公开一种光伏产品缺陷检测 AI 深度学习算法，涉及 AI 算法领域。该算法采用深度卷积神经网络作为预训练模型，使用特征金字塔网络结构 (FPN) 对预训练模型得到的不同尺度的特征图进行融合，采用区域提议网络 (RPN) 在特征图上生成候选框。通过使用预训练模型提取图像特征，使用 FPN 融合多尺度特征，使用 RPN 提取候选框，使用 ROIAlign 抽取局部特征，使用分类、回归、全卷积网络 (FCN) 进行缺陷分类、位置回归以及掩膜信息提取，对缺陷的分类以及输出缺陷效果的准确性好，对缺陷的定位精度高，对缺陷的描述准确且全面，从而提高了在光伏产品加工中，对产品的缺陷检测效果。
术语说明
FCN (全卷积网络)：深度学习中用于图像处理任务的一种重要架构，相比于传统的卷积神经网络 (CNN)，FCN 不仅能够识别图像中的对象，还能在像素级别对图像进行预测，如图像分割、图像生成等。全卷积网络是一种由卷积层组成的神经网络架构，没有全连接层。其主要特点在于它的输出层是一个像素级别的密集特征图，每个像素点都对应输入图像中的一个局部感受野，这使得 FCN 能够对输入图像进行像素级别的预测和分析。
算法步骤
- 特征提取：采用深度卷积神经网络作为预训练模型，对输入的光伏产品图像进行特征提取，获取图像的高层语义信息，得到不同尺度的特征图。
- 特征融合：使用特征金字塔网络结构 (FPN) 对预训练模型得到的不同尺度的特征图进行融合，增强模型对不同尺寸产品缺陷的检测能力。
- 候选框生成：采用区域提议网络 (RPN) 在特征图上生成候选框，这些候选框涵盖了存在缺陷的区域和信息，以实现后续产品的缺陷快速检测。
- 局部特征抽取：使用 ROIAlign 技术从候选框中抽取出局部特征，以供后续的分类和回归任务使用。
- 缺陷分类与定位：利用全卷积网络 (FCN) 对局部特征进行分类，并同时进行回归操作以精确定位缺陷的位置。
- 掩膜信息提取：除了分类和位置回归外，还利用 FCN 从局部特征中提取掩膜信息，以得到缺陷的精确形状和大小。
硬件需求
工控机 + 显卡
开发语言
C++