(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 202210075108.1 (22)申请日 2022.01.22 (71)申请人 河南理工大 学 地址 454000 河南省焦作市高新区世纪大 道2001号 (72)发明人 李冰锋　徐清华　杨艺　吴桐　 钱伟　 (74)专利代理 机构 郑州知一智业专利代理事务 所(普通合伙) 41172 专利代理师 郜廷伟 (51)Int.Cl. G06V 20/17(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06T 7/00(2017.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于动态自适应权重损失的防震锤缺 陷检测方法 (57)摘要 本发明公开了一种基于动态自适应权重损 失的防震锤缺陷检测方法， 具体包括： 制作防震 锤及其缺陷训练数据集和测试数据集； 构建动态 自适应权重网络获取动态自适应损失函数权重 系数， 在该权重系数基础上构建基于动态自适应 损失函数权重的防震锤缺陷目标检测算法模型； 根据训练数据集， 对基于动态自适应损失函数权 重的防震锤及缺陷目标检测算法模 型进行训练， 得到训练后的防震锤缺陷目标检测算法模型； 将 测试数据集依次通过训练后的防震锤缺陷目标 检测算法模型， 获取防震锤缺陷检测结果； 该方 法通过一个模型就可同时实现端到端的防震锤 及其缺陷检测， 提高了检测 效率， 且在训练过程 中仅引入少量参数， 在测试过程中未引入参数， 大幅提高了 检测精度。 权利要求书5页 说明书12页 附图4页 CN 114550011 A 2022.05.27 CN 114550011 A 1.一种基于动态自适应权重损失的防震锤缺陷检测方法， 其特征在于， 所述检测方法 具体包括以下步骤； 制作防震锤及其缺陷数据集， 所述防震锤及其缺陷数据集至少包括训练数据集和测试 数据集； 构建动态自适应权重网络， 获取动态自适应损 失函数权重系数， 在所述动态自适应损 失函数权重系数基础上构建基于动态自适应损失函数权重的防震锤缺陷目标检测 算法模 型； 根据所述训练数据集， 对所述基于动态自适应损失函数权重的防震锤及缺陷目标检测 算法模型进行训练， 得到训练后的防震锤缺陷目标检测算法模型； 将所述测试数据集依次通过所述训练后的防震锤缺陷目标检测算法模型， 获取防震锤 缺陷检测结果。 2.根据权利要求1所述基于动态自适应权重损失的防震锤缺陷检测方法， 其特征在于， 所述训练数据集和 测试数据集是根据无 人机航拍图像制作而成， 制作步骤 包括： S1： 对不同无人机平台航拍的防震锤原始图像进行尺寸归一化降采样处理， 通过所述 尺寸归一 化降采样处 理后的防震锤图像尺寸 为800×1333像素； S2： 对所述尺寸归一化降采样处理后的防震锤图像中的防震锤本体、 左锤体、 右锤体和 夹具进行 标注； S3： 将S2中标注后的防震锤图像数据集按比例划分为训练数据集和 测试数据集； 其中， 所述防震锤本体、 左锤体、 右锤体和夹具采用LabelImg标注工具进行标注， 其标 注内容包括标注框类别信息以及标注框位置信息， 所述标注框类别信息包括防震锤、 锤体 正常、 锤体异常， 夹具正常以及夹具异常， 所述标注框位置信息包括标注框中心点纵坐标、 标注框中心点横坐标、 标注框 长度以及标注框 宽度。 3.根据权利要求2所述基于动态自适应权重损失的防震锤缺陷检测方法， 其特征在于， 所述基于动态自适应损失函数权重的防震锤缺陷目标检测算法模型包括特征提取网络、 特 征金字塔网络、 目标分类和回归网络以及动态权重网络； 输入所述防震锤图像至所述特征 提取网络中， 所述特征提取网络采用卷积神经网络， 由若干卷积块{C1...Ci...CN}构成， 所 述卷积块包括若干卷积层和1个池化层， 并以步长为2的池化操作为间隔。 4.根据权利要求3所述基于动态自适应权重损失的防震锤缺陷检测方法， 其特征在于， 所述特征提取网络 可采用的卷积神经网络包括ResNet(ResNet ‑18、 ResNet ‑34、 ResNet ‑50、 ResNet‑101)网络、 VGG(VGG ‑11、 VGG‑13、 VGG‑16、 VGG‑19)网络、 Inceptron网络以及 MobileNet网络； 所述特征金字塔网络对所述特征提取网络中的所有卷积块{C1...Ci...CN} 分别进行卷积得到{P1...Pi...PN}， 以实现所述特征提取网络中各个不同输出的尺寸特征 融合， 实现步骤 包括： S1： 对卷积块CN进行一次卷积得到PN； S2： 对卷积块CN‑1进行一次卷积； S3： 对所述PN进行上采样； S4： 将S2得到的结果与S3得到的结果相加； S5： 对S4得到的结果进行 卷积得到PN‑1； S6： 按S1～S5步骤所述方法依次得到PN‑2、 PN‑3、 ...、 Pi、 ...P1。权　利　要　求　书 1/5 页 2 CN 114550011 A 25.根据权利要求4所述基于动态自适应权重损失的防震锤缺陷检测方法， 其特征在于， 所述目标分类和回归网络包括若干个 分类和回归子网络{CR1...CRi...CRN}， 所述动态权重 网络包括若干个动 态自适应权重子网络{AB1...ABi...ABN}， 所述CRi表示第i分类和回归子 网络， 所述ABi表示第i动态自适应权重子网络， 所述第i分类和回归子网络包括第i分类子 网络CLSi和第i回归子网络REGi， 所述第i动态自适应权重子网络ABi包括第i分类动态权重 子网络CAi和第i回归动态权重子网络RBi， 所述第i分类子网络CLSi以特征金字塔网络中Pi 作为输入， 且分别经过k1次卷积 后产生T1个分类输出 将所 述k1次卷积 由 作为所述第i分类动态权重子网络CAi的输入产生第i分 类动态权 重向量 所述第i回归子网络REGi以特征金字塔网络中Pi作为输入， 且经过k2次卷积 后产生T2个回归输出 将所述k2次卷积 中 作为所述第i回归动态权重子网络RBi的输入产生第i回归动态权重向量 所述目标分类和回归网络中其他 分类和回归子网络如第N 分类和回归子网络CRN按所述 第i分类和回归子网络所采用的上述方法产生T1个分类输出 和T2个回归 输出 第N分类和回归动态权重子网络ABN按所述第i动态自适应权重子网 络所采用的上述方法产生相应的分类动态权重向量 和回归动态 权重向量 6.根据权利要求5所述基于动态自适应权重损失的防震锤缺陷检测方法， 其特征在于， 对所述第i分类动态权重子网络CAi获取第i分类动态权重向量 的 具体步骤如下： S1： 对 进行全局平均池化得到分类全局平均池化运算结果 所述分类全局平均 池化运算结果 的计算过程如式(1)所示： 式(1)中 表示 的像素个数， 表示 的通道数， 表示坐标为 (h， w)处 的像素值； S2： 对所述分类全局平均池化运算结果 进行全链接运算， 将 的通道数压缩为 个， 然后再进 行RELU激活运算， 获取分类RELU激活运算结果 所述分类RELU激活运 算结果 的计算过程如式(2)所示：权　利　要　求　书 2/5 页 3 CN 114550011 A 3