(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 202210074787.0 (22)申请日 2022.01.21 (71)申请人 重庆新久融科技有限公司 地址 402660 重庆市潼南区梓 潼街道办事 处幸福街2号 (72)发明人 唐华强　王龙　 (74)专利代理 机构 广州市华学知识产权代理有 限公司 4 4245 专利代理师 黄宗波 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种循环再生铝合金模板表面缺陷识别方 法 (57)摘要 本发明涉及铝合金模板技术领域， 公开了一 种循环再生铝合金模板表面缺陷识别方法， 该方 法包括： 获取图像采集设备从预设拍摄角度拍摄 的被检测的铝合金模板的检测图像； 将检测图像 输入预先训练的表面缺陷检测模 型， 根据缺陷检 测模型输出的检测结果确定铝合金模板上缺陷 所在位置； 将所识别出的缺陷所在位置输入通过 预先训练的缺陷分类模型， 确定所识别出的缺陷 类别。 本发 明能够实现自动识别铝合金模板表面 的缺陷。 通过对SE ‑ResNet网络模型中的采样模 块中卷积层改进， 加强了无线数据不同特征通道 之间的空间关系， 从而确保无线数据的不同子载 波之间的空间特 征不被忽略。 权利要求书2页 说明书7页 附图4页 CN 114998183 A 2022.09.02 CN 114998183 A 1.一种循环再生铝合金模板表面 缺陷识别方法， 其特 征在于： 所述方法包括如下步骤： 获取图像采集设备从预设拍摄角度拍摄的被 检测的铝合金模板的检测图像； 将所述检测图像输入预先训练 的表面缺陷检测模型， 根据 所述缺陷检测模型输出的检 测结果确定所述铝合金模板上缺陷所在位置； 将所识别出的缺陷所在位置输入通过预先训练的缺陷分类模型， 确定所识别出的缺陷 类别， 所述缺陷分类模 型是将SE ‑ResNet网络模 型中的采样模块进行卷积层调整以及将SE ‑ ResNet网络模型中的分类模型替换为随机森林网络得到的。 2.根据权利要求1所述的循环再生铝合金模板表面缺陷识别方法， 其特征在于， 所述将 SE‑ResNet网络模 型中的采样模块进 行卷积层调整的方式为将三层 采样层之间的残差学习 的三层卷积层从第一卷积层分别从核大小为1x1， 输出通道为512， 步长为2、 第二卷积层分 别从核大小为3x3， 输出通道 为512、 第三卷积层分别从核大小为1x1， 输出通道 为2048， 调整 为第一卷积层分别从核大小为1x1、 第二卷积层分别从核大小为3x3， 步长为2、 第三卷积层 分别从核大小为1x1； 将三层采样层之间的残差学习的短路连接从核大小为1x1， 输出通道 为2048， 步长为2调整为核大小为1x1， 步长为2。 3.根据权利要求2所述的循环再生铝合金模板表面缺陷识别方法， 其特征在于， 在三层 采样层之间的残差学习的短路连接卷积之前加上一个平均池化层。 4.根据权利要求3所述的循环再生铝合金模板表面缺陷识别方法， 其特征在于， 构建 SE‑ResNet网络模型的步骤， 包括： 构造SE网络模块， 在SE网络模块的两个全连接层之间新增ReLU激活函数层； 将所述SE网络模块设置到ResNet网络模型中， 形成所述SE ‑ResNet网络模型， 其中， 所 述SE网络模块是通过Squeeze操作、 Excitation操作以及Reweight操作完成图像特征重定 向的。 5.根据权利要求3所述的循环再生铝合金模板表面缺陷识别方法， 其特征在于， 所述表 面缺陷检测模型是基于融合卷积网络模型构建， 并通过所述检测图像和带有缺陷位置标注 信息的铝合金模板表面图像的训练集进行训练得到的。 6.根据权利要求5所述的循环再生铝合金模板表面缺陷识别方法， 其特征在于， 所述将 所述检测图像输入预先训练的表面缺陷检测模 型， 根据所述缺陷检测模型输出的检测结果 确定所述铝合金模板上缺陷所在位置的步骤之前， 包括： 对标准铝合金模板表面图像的缺陷进行 标注， 得到标注图像； 将所述检测图像和所述标注图像的像素进行数据扩增， 得到数据扩增检测图像和数据 扩增标注图像， 其中， 数据扩增包括对 所述检测图像和所述标注图像进 行仿射变换、 亮度变 换以及模糊变换； 将所述数据扩增检测图像和所述数据扩增标注图像输入待训练的所述表面缺陷检测 模型进行K层降维和K层升维操作， 得到所述数据扩增标注图像中缺陷的区域位置， 其中， K 为正整数； 根据表面缺陷检测模型进行K层降维和K层升维操作， 得到训练后的表面缺陷检测模 型。 7.根据权利要求6所述的循环再生铝合金模板表面缺陷识别方法， 其特征在于， 所述对 标准铝合金模板表面图像的缺陷进行 标注， 得到标注图像的步骤， 包括：权　利　要　求　书 1/2 页 2 CN 114998183 A 2将标准铝合金模板表面图像中缺陷区域的灰度值设定为0， 将非缺陷区域的灰度值设 定为1。 8.根据权利要求7所述的循环再生铝合金模板表面缺陷识别方法， 其特征在于， 所述将 所述数据扩增检测图像和所述数据扩增标注图像输入待训练的所述表面缺陷检测模型进 行K层降维和K层升维操作的步骤， 包括： 将所述数据扩增检测图像和所述数据扩增标注图像作为所述表面缺陷检测模型的第 一输入图像； 对所述第一输入图像进行卷积操作和池化操作， 将第M层降维操作后的第一输入图像 作为第M+1层降维操作的输入， 将第K层降维操作后的第一输入图像作为第一层升维操作的 输入； 对进行K层降维操作后的第一输入图像进行卷积操作和反卷积操作， 得到第二输入图 像， 将第M层升维操作后的第二输入图像作为第M+1层升维操作的输入， 将第N层升维操作的 输出与第K ‑N+1层升维操作的输入进行融合， 并将融合结果作为第K ‑N+1层升维操作的输 入， 其中， M、 N均为 正整数， M <K， N<K。权　利　要　求　书 2/2 页 3 CN 114998183 A 3