(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 202210351179.X (22)申请日 2022.04.02 (71)申请人 深圳市国电科技 通信有限公司 地址 518109 广东省深圳市龙华区大浪街 道新石社区华联工业区13 栋1层 申请人 深圳智芯微电子科技有限公司 (72)发明人 王祥　武占侠　吴在军　刘国川　 张英　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 专利代理师 邵泳城 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/75(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06V 10/44(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01N 21/88(2006.01) G01N 21/94(2006.01) (54)发明名称 外壳污损缺陷检测方法、 装置、 计算机设备 及存储介质 (57)摘要 本发明公开了一种外壳污损缺陷检测方法、 装置、 计算机设备及存储介质， 其中方法包括： 获 取原始采样图像数据和标准模板图像数据； 对 标 准模板图像数据进行透视变换， 获得第一模板图 像数据； 对第一模板图像数据和原始采样图像数 据分别进行预处理， 获得第二模板图像数据和第 一采样图像数据； 将第二模板图像数据和第一采 样图像数据输入多尺度差分RCNN模型进行检测， 以确定外壳污损缺陷情况。 由此， 不仅提高了外 壳污损缺陷检测的智能化程度、 检测效率和检测 准确率， 还可以同时检测外壳的污损和缺陷情 况。 权利要求书2页 说明书11页 附图5页 CN 114926675 A 2022.08.19 CN 114926675 A 1.一种外壳污损缺陷检测方法， 其特 征在于， 包括： 获取原始采样图像数据和标准模板图像数据； 对所述标准模板图像数据进行透 视变换， 获得第一模板图像数据； 对所述第一模板图像数据和所述原始采样图像数据分别进行预处理， 获得第 二模板图 像数据和第一采样图像数据； 将所述第二模板图像数据和所述第一采样图像数据输入多尺度差分RCNN模型进行检 测， 以确定 外壳污损缺陷情况。 2.根据权利要求1所述的外 壳污损缺陷检测方法， 其特征在于， 将所述第 二模板图像数 据和所述第一采样图像数据输入多尺度差分RCN N模型进行检测， 包括： 对所述第二模板 图像数据进行特征提取， 获得第一特征图， 并对所述第一采样图像数 据进行特征提取， 获得第二特 征图； 将所述第一特 征图与所述第二特 征图进行差分和融合处 理， 获得特征融合数据； 将所述特 征融合数据输入到多个 检测器进行检测。 3.根据权利要求2所述的外壳污损缺陷检测方法， 其特征在于， 采用VGG16网络对所述 第二模板图像数据和所述第一采样图像数据进行特征提取， 并对所述第一特征图与所述第 二特征图进行差分和融合处 理， 获得差分FPN。 4.根据权利要求3所述的外 壳污损缺陷检测方法， 其特征在于， 对所述第 二模板图像数 据进行特征提取时采用的第一VGG16网络与对 所述第一采样图像数据进 行特征提取时采用 的第二VG G16网络之间进行权 重共享。 5.根据权利要求3所述的外 壳污损缺陷检测方法， 其特征在于， 将所述第 一特征图与 所 述第二特 征图进行差分和融合处 理， 获得特征融合数据， 包括： 将所述第一特 征图与第二特 征图进行差分， 获得多个差分图； 将所述多个差分图进行 上采样及求和处 理后， 获得 所述差分FPN； 根据所述差分FPN， 获得 所述特征融合数据。 6.根据权利要求2所述的外 壳污损缺陷检测方法， 其特征在于， 将所述特征融合数据输 入到多个 检测器进行检测， 包括： 将所述特 征融合数据分别输入到每 个所述检测器的RPN， 以获取多个候选 框； 将所述多个候选 框输入到每 个所述检测器的预测网络， 获得多个预测结果； 对所述多个预测结果进行筛 选， 以确定所述外壳污损缺陷情况。 7.根据权利要求6所述的外 壳污损缺陷检测方法， 其特征在于， 将所述多个候选框输入 到每个所述检测器的预测网络， 包括： 将所述多个候选 框输入第一池化层， 以获取相同维度的候选 框； 将所述相同维度的候选框输入第 一池化层对应的全连接分支进行分类和回归， 以获取 第一类别 信息和第一识别框信息； 将所述第一识别框信 息输入第 二池化层后， 再通过第 二池化层对应的全连接分支进行 分类和回归， 以获取第二类别 信息和第二识别框信息； 将所述第二识别框信 息输入第 三池化层后， 再通过第 三池化层对应的全连接分支进行 分类和回归， 以获取第三类别 信息和第三识别框信息； 将所述第三类别 信息和所述第三识别框信息作为所述预测结果。权　利　要　求　书 1/2 页 2 CN 114926675 A 28.根据权利要求1 ‑7中任一项所述的外 壳污损缺陷检测方法， 其特征在于， 对所述标准 模板图像数据进行透 视变换， 包括： 基于深度 学习算法模型计算透视变换矩阵， 并根据 所述透视变换矩阵对所述标准模板 图像数据进行透 视变换。 9.根据权利要求1所述的外 壳污损缺陷检测方法， 其特征在于， 对所述第 一模板图像数 据和所述原 始采样图像数据分别进行 预处理， 包括： 对所述第一模板 图像数据和所述原始采样图像数据依次进行灰度化、 直方图均衡、 中 值滤波和Kirsc h边缘增强处 理。 10.一种计算机可读存储介质， 其特征在于， 其上存储有外壳污损缺陷检测程序， 该外 壳污损缺陷检测程序被处理器执行时实现根据权利要求 1‑9中任一项 所述的外壳污损缺陷 检测方法。 11.一种计算机设备， 其特征在于， 包括存储器、 处理器及存储在存储器上并可在所述 处理器上运行 的外壳污损缺陷检测 程序， 所述处理器执行所述外壳污损缺陷检测程序时， 实现权利要求1 ‑9中任一项所述的外壳污损缺陷检测方法。 12.一种外壳污损缺陷检测装置， 其特 征在于， 包括： 获取模块， 用于获取原 始采样图像数据和标准模板图像数据； 变换模块， 用于对所述标准模板图像数据进行透 视变换， 获得第一模板图像数据； 预处理模块， 用于对所述第一模板图像数据和所述原始采样图像数据分别进行预处 理， 获得第二模板图像数据和第一采样图像数据； 检测模块， 用于将所述第二模板图像数据和所述第一采样图像数据输入多尺度差分 RCNN模型进行检测， 以确定 外壳污损缺陷情况。权　利　要　求　书 2/2 页 3 CN 114926675 A 3