一种风力发电叶片区块缺陷比对方法、装置及电子设备与流程

1.本发明涉及缺陷检测技术领域，尤其涉及一种风力发电叶片区块缺陷比对方法、装置及电子设备。


背景技术：

2.风力发电叶片防护，一般采用覆膜及保护漆等多种模式，在保护漆施工过程中对人工操作动作要求熟练及快捷精准，施工中需要多人高默契协同，对加工环境的风速、湿度、大气压也有一定的要求。保护漆面高标准的要求是为了让风力发电叶片在复杂的自然环境中适应多样性，以便于持久维持叶片转动发电的经济效益，减少因外界因素带来的后期频繁运维和巡检费用。
3.风力发电叶片保护漆施工面质量检测，包含保护漆施工面光滑、平整、塔接、损坏等多项检测指标，目前只能通过施工人员用肉眼对单位颗粒度作业面进行人工识别。因日光折射、灯光照射、识别角度、检测面自身高度等外界因素，存在对叶片不同部位的质量检测速度慢、准确度、遗漏率高的问题。
4.风力发电叶片保护漆施工工艺为多遍涂刷，对每层保护漆施工作业的质量检测，是质量保障的重点和难点，因每层施工间隔作业时间短，要实现快速检测需要人工更专业和高效。施工中的问题如果得不到及时发现和纠正，会让前期施工面存在的问题一层一层的覆盖掉，只停留在最外层施工面检测上，达不到多层跟踪式漆面施工质量检测，且同时存在不可逆性质量追溯检测问题。
5.叶片保护涂层缺陷视频识别比对阶段，每次只能识别一个类别缺陷特征，在叶片上根据出现位置刻度进行缺陷点标注以及缺陷图片展示后，再重新比对识别另一类别缺陷，这种类别缺陷识别比对方式，每次重复缺陷比对的时间消耗及gpu算力资源消耗巨大，无法对叶片上相同刻度区域多个类型缺陷图进行图片缺陷合成展示。
6.因此，本发明提出一种风力发电叶片区块缺陷比对方法、装置及电子设备。


技术实现要素：

7.本说明书提供一种风力发电叶片区块缺陷比对方法、装置及电子设备，增强了同区域组合特征的提取能力，提升了风力发电叶片上相同刻度缺陷区块内多类别缺陷比对效率。
8.本说明书提供一种风力发电叶片区块缺陷比对方法，包括：
9.获取叶片缺陷视频；
10.将所述叶片缺陷视频逐一分帧，得到若干个最小颗粒度的分帧图片；
11.利用区块组合类别缺陷增强比对模型识别所述分帧图片，得到所述分帧图片的全部缺陷特征信息。
12.可选地，训练所述区块组合类别缺陷增强比对模型，包括：
13.获取训练图片及其缺陷特征信息；
14.对所述训练图片进行基础数据增强和加强数据增强，得到增强后的训练图片；
15.在特征融合网络中添加一个新尺度的特征提取层，并调整所述特征融合网络的目标框回归公式，改进损失函数；
16.利用所述特征提取层对所述增强后的训练图片进行特征提取，得到所述增强后的训练图片的全部特征信息；
17.将所述增强后的训练图片输入至所述特征融合网络中进行迭代训练，并利用余弦退火法对所述特征融合网络进行调整，得到所述区块组合类别缺陷增强比对模型。
18.可选地，所述对所述训练图片进行基础数据增强和加强数据增强，得到增强后的训练图片，包括：
19.对所述训练图片进行基础数据增强，得到所述基础增强后的训练图片；所述基础增强的方式包括缩放、平移、旋转、色彩变换；
20.对所述基础增强后的训练图片进行加强数据增强，得到增强后的训练图片；所述加强数据增强的方式包括对所述基础增强后的训练图片随机裁剪、随机排列、随机缩放，然后组合成一张图片。
21.可选地，所述缺陷特征信息包括所述缺陷特征类型，所述缺陷特征类型包括塔接类型、刻痕类型。
22.可选地，所述在特征融合网络中添加一个新尺度的特征提取层，并调整所述特征融合网络的目标框回归公式，改进损失函数，包括：
23.所述特征融合网络的目标框回归公式包括：
24.b
x
＝2σ(t
x
)-0.5+
x
25.by＝2σ(ty)-0.5+cy26.bw＝w(2(tw))227.bh＝h(2(th))228.pr()*iou(,object)＝σ(0)
29.其中，t
x
、ty、tw、th为偏移；σ为sigmoid为激活函数，用于将所述特征融合网络的预测值b
x
、by、bw、bh映射到[0,1]之间；c
x
、cy为单元网格中相对于所述增强后的训练图片左上角的偏移量；pw、ph为先验框宽高；b
x
、by和宽高bw、bh为预测目标框的中心坐标；σ(t0)为预测目标框的置信度；
[0030]
所述损失函数包括定位损失、置信度损失和类别损失，其中置信度损失和类别损失采用二元交叉熵损失函数进行计算:
[0031]
loss
object
＝oss
loc
+oss
conf
+oss
class
[0032]
loss
loc
＝1-giou
[0033]
[0034][0035]
其中，k为所述特征融合网络最后输出的特征图划分为k*k个格子，m为每个格子对应的锚框的个数，表示有目标的锚框，为没有目标的锚框，λ
noobj
为没有目标锚框的置信度损失权重系数；
[0036]
选择ciou替代giou作为目标框回归的损失函数，其计算式为：
[0037][0038][0039][0040]
其中，α为一个平衡参数，不参与梯度计算；v为用来衡量长宽比一致性的参数。
[0041]
本说明书提供一种风力发电叶片区块缺陷比对装置，包括：
[0042]
获取模块，用于获取叶片缺陷视频；
[0043]
分帧模块，用于将所述叶片缺陷视频逐一分帧，得到若干个最小颗粒度的分帧图片；
[0044]
识别模块，用于利用区块组合类别缺陷增强比对模型识别所述分帧图片，得到所述分帧图片的全部缺陷特征信息。
[0045]
可选地，训练所述区块组合类别缺陷增强比对模型，包括：
[0046]
获取训练图片及其缺陷特征信息；
[0047]
对所述训练图片进行基础数据增强和加强数据增强，得到增强后的训练图片；
[0048]
在特征融合网络中添加一个新尺度的特征提取层，并调整所述特征融合网络的目标框回归公式，改进损失函数；
[0049]
利用所述特征提取层对所述增强后的训练图片进行特征提取，得到所述增强后的训练图片的全部特征信息；
[0050]
将所述增强后的训练图片输入至所述特征融合网络中进行迭代训练，并利用余弦退火法对所述特征融合网络进行调整，得到所述区块组合类别缺陷增强比对模型。
[0051]
可选地，所述对所述训练图片进行基础数据增强和加强数据增强，得到增强后的训练图片，包括：
[0052]
对所述训练图片进行基础数据增强，得到所述基础增强后的训练图片；所述基础增强的方式包括缩放、平移、旋转、色彩变换；
[0053]
对所述基础增强后的训练图片进行加强数据增强，得到增强后的训练图片；所述加强数据增强的方式包括对所述基础增强后的训练图片随机裁剪、随机排列、随机缩放，然后组合成一张图片。
[0054]
可选地，所述缺陷特征信息包括所述缺陷特征类型，所述缺陷特征类型包括塔接
类型、刻痕类型。
[0055]
可选地，所述在特征融合网络中添加一个新尺度的特征提取层，并调整所述特征融合网络的目标框回归公式，改进损失函数，包括：
[0056]
所述特征融合网络的目标框回归公式包括：
[0057]bx
＝2σ(t
x
)-0.5+
x
[0058]by
＝2σ(ty)-0.5+cy[0059]bw
＝w(2(tw))2[0060]bh
＝h(2(th))2[0061]
pr()*iou(,object)＝σ(0)
[0062]
其中，t
x
、ty、tw、th为偏移；σ为sigmoid为激活函数，用于将所述特征融合网络的预测值b
x
、by、bw、bh映射到[0,1]之间；c
x
、cy为单元网格中相对于所述增强后的训练图片左上角的偏移量；pw、ph为先验框宽高；b
x
、by和宽高bw、bh为预测目标框的中心坐标；σ(t0)为预测目标框的置信度；
[0063]
所述损失函数包括定位损失、置信度损失和类别损失，其中置信度损失和类别损失采用二元交叉熵损失函数进行计算:
[0064]
loss
object
＝oss
loc
+oss
conf
+oss
class
[0065]
loss
loc
＝1-giou
[0066][0067][0068]
其中，k为所述特征融合网络最后输出的特征图划分为k*k个格子，m为每个格子对应的锚框的个数，表示有目标的锚框，为没有目标的锚框，λ
noobj
为没有目标锚框的置信度损失权重系数；
[0069]
选择ciou替代giou作为目标框回归的损失函数，其计算式为：
[0070][0071][0072][0073]
其中，α为一个平衡参数，不参与梯度计算；v为用来衡量长宽比一致性的参数。
[0074]
本说明书还提供一种电子设备，其中，该电子设备包括：
[0075]
处理器；以及，
[0076]
存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述任一项方法。
[0077]
本说明书还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现上述任一项方法。
[0078]
本说明书中，接收用户上传的叶片缺陷视频，将叶片缺陷视频逐一分帧，得到若干个最小颗粒度的分帧图片，利用区块组合类别缺陷增强比对模型识别出分帧图片的全部缺陷特征信息，增强了同区域组合特征的提取能力，提升了风力发电叶片上相同刻度缺陷区块内多类别缺陷比对效率。
附图说明
[0079]
为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0080]
图1为本说明书实施例提供的一种风力发电叶片区块缺陷比对方法的原理示意图；
[0081]
图2为本说明书实施例提供的先验框与预测框的关系示意图；
[0082]
图3为本说明书实施例提供的预测框与真实框的关系示意图；
[0083]
图4为本说明书实施例提供的giou退化为iou示意图；
[0084]
图5为本说明书实施例提供的yolo特征提取示意图；
[0085]
图6为本说明书实施例提供的yolov5特征提取示意图；
[0086]
图7为本说明书实施例提供的一种风力发电叶片区块缺陷比对装置的结构示意图；
[0087]
图8为本说明书实施例提供的一种电子设备的结构示意图；
[0088]
图9为本说明书实施例提供的一种计算机可读介质的原理示意图。
具体实施方式
[0089]
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。
[0090]
以下结合附图1-9更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分，因而将省略对它们的重复描述。
[0091]
在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
[0092]
在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
[0093]
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
[0094]
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
[0095]
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个或多者的所有组合。
[0096]
图1为本说明书实施例提供的一种风力发电叶片区块缺陷比对方法的原理示意图，该方法可以包括：
[0097]
s110：获取叶片缺陷视频；
[0098]
在本说明书具体实施方式中，可以通过高清4k手机、摄像机、穿戴设备、监控设备等拍摄得到叶片视频，还可以通过无人机搭载摄像机、监控设备等，无人机以恒速运行拍摄得到叶片视频。将初步判断存在叶片缺陷的视频择出，得到叶片缺陷视频。
[0099]
s120：将所述叶片缺陷视频逐一分帧，得到若干个最小颗粒度的分帧图片；
[0100]
在本说明书具体实施方式中，对叶片缺陷视频进行分帧处理，即一帧保存一张图片，得到若干个最小颗粒度的分帧图片。
[0101]
s130：利用区块组合类别缺陷增强比对模型识别所述分帧图片，得到所述分帧图片的全部缺陷特征信息。
[0102]
在本说明书具体实施方式中，对最小颗粒度的分帧图片进行缺陷特征元识别，确定存在叶片缺陷的分帧图片，并在叶片存在缺陷的分帧图片上将缺陷特征元圈出，得到缺陷特征元的位置信息。缺陷特征元的位置信息的获取，具体包括：风力发电叶片喷涂有醒目的刻度标识，刻度标识的颜色可根据实际需求进行选择，与风力发电叶片底色存在较大色差即可。将缺陷特征元圈出后，参照风力发电叶片的刻度标识，可得到缺陷特征元的位置信息。区块组合类别缺陷增强比对模型识包括yolov5组合类别缺陷增强比对模型，使用数据增强，通过增加一个浅层特征图、调整损失函数，来增强神经网络对缺陷区块多类别特征目标感知能力；通过修改目标框回归公式，解决深度学习训练过程中梯度消失等问题，提升缺陷区块能同时支持多类别缺陷识别比对深度学习训练。
[0103]
可选地，训练所述区块组合类别缺陷增强比对模型，包括：
[0104]
获取训练图片及其缺陷特征信息；
[0105]
可选地，所述缺陷特征信息包括所述缺陷特征类型，所述缺陷特征类型包括塔接类型、刻痕类型。
[0106]
在本说明书具体实施方式中，利用标记软件labellmg对训练图片进行缺陷特征类型标注，缺陷特征类型包括但不限于塔接类型、刻痕类型、结冰类型、油污类型、蒙皮类型等。标注完成后，每一张图片都对应着一个与该图片名称相同的txt文件，txt文件中的每一行表示一个标记实例，共5列，从左到右分别表示标签类别、标记框中心横坐标与图片宽度的比值、标记框中心纵坐标与图片高度的比值、标记框宽度与图片宽度的比值、标记框高度
与图片高度的比值。
[0107]
对所述训练图片进行基础数据增强和加强数据增强，得到增强后的训练图片；
[0108]
可选地，所述对所述训练图片进行基础数据增强和加强数据增强，得到增强后的训练图片，包括：
[0109]
对所述训练图片进行基础数据增强，得到所述基础增强后的训练图片；所述基础增强的方式包括缩放、平移、旋转、色彩变换；
[0110]
对所述基础增强后的训练图片进行加强数据增强，得到增强后的训练图片；所述加强数据增强的方式包括对所述基础增强后的训练图片随机裁剪、随机排列、随机缩放，然后组合成一张图片。
[0111]
在本说明书具体实施方式中，加强数据增强具体包括mosaic-8数据增强，即采用8张图片随机裁剪、随机排列、随机缩放，然后组合成一张图片，以此来增加样本的数据量，同时合理引入一些随机噪声，增强加强数据增强对图像中区块目标样本的区分力，提升模型的泛化力。
[0112]
在特征融合网络中添加一个新尺度的特征提取层，并调整所述特征融合网络的目标框回归公式，改进损失函数；
[0113]
可选地，所述在特征融合网络中添加一个新尺度的特征提取层，并调整所述特征融合网络的目标框回归公式，改进损失函数，包括：
[0114]
所述特征融合网络的目标框回归公式包括：
[0115]bx
＝2σ(t
x
)-0.5+
x
[0116]by
＝2σ(ty)-0.5+cy[0117]bw
＝w(2(tw))2[0118]bh
＝h(2(th))2[0119]
pr()*iou(,object)＝σ(0)
[0120]
其中，t
x
、ty、tw、th为偏移；σ为sigmoid为激活函数，用于将所述特征融合网络的预测值bx、by、bw、bh映射到[0,1]之间；c
x
、cy为单元网格中相对于所述增强后的训练图片左上角的偏移量；pw、ph为先验框宽高；b
x
、by和宽高bw、bh为预测目标框的中心坐标；σ(t0)为预测目标框的置信度；
[0121]
在本说明书具体实施方式中，目标框回归的目的是要寻找某种映射关系，使得候选目标框(regionproposal)的映射无限接近于真实目标框(groundtruth)。对真实目标框的预测是采用相对位置的方式回归出目标框相对于某个网格左上角相对坐标。先验框与预测框的关系如图2所示，其中，虚线框表示先验框，实线框表示预测框。预测框通过先验框平移缩放得到。将原始图片根据特征图尺寸划分成s*s个网格单元，每个网格单元会预测3个预测框，每个预测框包含4个坐标信息和1个置信度信息。当真实框中某个目标中心坐标落在某个网格中时，就由该网格预测这个目标。
[0122]
对σ(t0)设定阈值，过滤掉置信度较低的预测框，然后再对剩下的预测框用非极大值抑制算法(non-maximum suppression,nms)得到最终预测框。在最小的特征图上，由于其感受量最大，故应该用其来检测大目标，所以大尺度的特征图应该应用小尺寸的先验框，小尺寸的特征图应该应用大尺度的先验框来进行预测框的回归。本文采用4尺度检测结构，4个尺度的特征图大小与先验框尺寸的对应关系如表1所示。
[0123]
表1特征图大小与先验框尺寸对应关系
[0124][0125]
所述损失函数包括定位损失、置信度损失和类别损失，其中置信度损失和类别损失采用二元交叉熵损失函数进行计算:
[0126]
loss
object
＝oss
loc
+oss
conf
+oss
class
[0127]
loss
loc
＝1-giou
[0128][0129][0130]
其中，k为所述特征融合网络最后输出的特征图划分为k*k个格子，m为每个格子对应的锚框的个数，表示有目标的锚框，为没有目标的锚框，λ
noobj
为没有目标锚框的置信度损失权重系数；
[0131]
在本说明书具体实施方式中，如图3所示，黑色框是真实框，记为gt，灰色框是预测框，记为p，外框是同时包裹真实框和预测框的最小框，记为c。其中c是外框对角线的长度，d是真实框中心点与预测框中心点长度。
[0132]
选择ciou替代giou作为目标框回归的损失函数，其计算式为：
[0133][0134][0135][0136]
其中，α为一个平衡参数，不参与梯度计算；v为用来衡量长宽比一致性的参数。
[0137]
在本说明书具体实施方式中，yolov5中使用giou来计算定位损失：
[0138]
[0139]
与iou不同，giou不仅关注真实框与预测框之间的重叠面积，还关注其他的非重叠区域，因此giou相较于原始iou能更好的反应两者之间的重合度，但giou始终只考虑真实框与预测框之间的重叠率这一个因素，不能很好地描述目标框的回归问题。如图4所示，当预测框在真实框内部时，且预测框的大小相同时，此时giou会退化为iou，无法区分各个预测框之间的位置关系。ciou综合考虑了真实框与预测框之间的重叠率、中心点距离、长宽比，使得目标框回归过程中更加稳定，收敛的精度更高。
[0140]
利用所述特征提取层对所述增强后的训练图片进行特征提取，得到所述增强后的训练图片的全部特征信息；
[0141]
在本说明书具体实施方式中，yolo使用3种不同尺寸的特征图来检测不同大小的目标，如图5所示，该网络将输入图像通过8倍下采样、16倍下采样、32倍下采样得到3种不同尺寸大小的特征图，将其输入到特征融合网络中。根据特征金字塔网络(feature pyramid network，fpn)的思想可以看出，经过深层次卷积后的特征图虽然拥有丰富的语义信息，但在多次卷积的过程中会丢失掉目标的一些位置信息，不利于区块目标的检测；而浅层卷积后得到的特征图语义信息虽然不够丰富，但目标的位置信息却比较精确。
[0142]
yolov5在原始基础上对原始输入图片增加一个4倍下采样的过程，原始图片经过4倍下采样后送入到特征融合网络得到新尺寸的特征图，该特征图感受野较小，位置信息相对丰富，可以提升检测区块目标的检测效果。在卷积神经网络中，经过不同的卷积层得到的特征图包含不同目标特征信息。浅层卷积后得到的特征图分辨率较高，目标位置信息相对丰富，但语义信息不明显；深层卷积后得到的特征图分辨率低，语义信息丰富，但丢失了较多的目标位置信息。因此，浅层特征图能区分较为简单的目标，深层特征图能区分复杂的目标，将浅层特征图与深层特征图进行信息融合更有利于目标的区分。如图6所示，将特征金字塔网络与路径聚合网络(path aggregationnetwork，pan)相结合，特征金字塔网络自顶向下传递深层次语义特征，路径聚合网络自底向上传递目标的位置信息，通过自顶向下和自底向上的特征信息融合有利于模型更好地学习特征，增强模型对区块目标敏感度。
[0143]
将所述增强后的训练图片输入至所述特征融合网络中进行迭代训练，并利用余弦退火法对所述特征融合网络进行调整，得到所述区块组合类别缺陷增强比对模型。
[0144]
在本说明书具体实施方式中，总迭代次数为1000次，迭代批量大小设置为32，优化器选择sgd。模型训练时学习率使用warmup训练预热，减缓模型在初始阶段对小批量数据的过拟合现象，避免模型振荡以便保证模型深层次的稳定性。在warmup阶段，偏置层的学习率由0.1下降至0.01，其他参数学习率由0增加至0.01，warmup结束之后，采用余弦退火学习算法对学习率进行更新。
[0145]
在本说明书具体实施方式中，将缺陷类型比对结果发送至用户端，提醒用户端该缺陷比对视频对应的风力发电叶片的缺陷类型。用户端可采用手机app模式，从而用户端不受地域的限制，只要手机存在信号即可接受风力发电叶片的缺陷类型；亦或是通过wifi传输，实现用户端实时接收风力发电叶片的缺陷类型。本发明有效解决了人工检测易遗漏、识别精准难以及层叠式施工带来的识别和修复时间短、多层漆面历史质量留存比对难等问题。
[0146]
本说明书中，接收用户上传的叶片缺陷视频，将叶片缺陷视频逐一分帧，得到若干个最小颗粒度的分帧图片，利用区块组合类别缺陷增强比对模型识别出分帧图片的全部缺
陷特征信息，增强了同区域组合特征的提取能力，提升了风力发电叶片上相同刻度缺陷区块内多类别缺陷比对效率。
[0147]
图7为本说明书实施例提供的一种风力发电叶片区块缺陷比对装置的原理示意图，该装置可以包括：
[0148]
获取模块10，用于获取叶片缺陷视频；
[0149]
分帧模块20，用于将所述叶片缺陷视频逐一分帧，得到若干个最小颗粒度的分帧图片；
[0150]
识别模块30，用于利用区块组合类别缺陷增强比对模型识别所述分帧图片，得到所述分帧图片的全部缺陷特征信息。
[0151]
可选地，训练所述区块组合类别缺陷增强比对模型，包括：
[0152]
获取训练图片及其缺陷特征信息；
[0153]
对所述训练图片进行基础数据增强和加强数据增强，得到增强后的训练图片；
[0154]
在特征融合网络中添加一个新尺度的特征提取层，并调整所述特征融合网络的目标框回归公式，改进损失函数；
[0155]
利用所述特征提取层对所述增强后的训练图片进行特征提取，得到所述增强后的训练图片的全部特征信息；
[0156]
将所述增强后的训练图片输入至所述特征融合网络中进行迭代训练，并利用余弦退火法对所述特征融合网络进行调整，得到所述区块组合类别缺陷增强比对模型。
[0157]
可选地，所述对所述训练图片进行基础数据增强和加强数据增强，得到增强后的训练图片，包括：
[0158]
对所述训练图片进行基础数据增强，得到所述基础增强后的训练图片；所述基础增强的方式包括缩放、平移、旋转、色彩变换；
[0159]
对所述基础增强后的训练图片进行加强数据增强，得到增强后的训练图片；所述加强数据增强的方式包括对所述基础增强后的训练图片随机裁剪、随机排列、随机缩放，然后组合成一张图片。
[0160]
可选地，所述缺陷特征信息包括所述缺陷特征类型，所述缺陷特征类型包括塔接类型、刻痕类型。
[0161]
可选地，所述在特征融合网络中添加一个新尺度的特征提取层，并调整所述特征融合网络的目标框回归公式，改进损失函数，包括：
[0162]
所述特征融合网络的目标框回归公式包括：
[0163]bx
＝2σ(t
x
)-0.5+
x
[0164]by
＝2σ(ty)-0.5+cy[0165]bw
＝w(2(tw))2[0166]bh
＝h(2(th))2[0167]
pr()*iou(,object)＝σ(0)
[0168]
其中，t
x
、ty、tw、th为偏移；σ为sigmoid为激活函数，用于将所述特征融合网络的预测值b
x
、by、bw、bh映射到[0,1]之间；c
x
、cy为单元网格中相对于所述增强后的训练图片左上角的偏移量；pw、ph为先验框宽高；b
x
、by和宽高bw、bh为预测目标框的中心坐标；σ(t0)为预测目标框的置信度；
[0169]
所述损失函数包括定位损失、置信度损失和类别损失，其中置信度损失和类别损失采用二元交叉熵损失函数进行计算:
[0170]
loss
object
＝loss
loc
+loss
conf
+loss
class
[0171]
loss
loc
＝1-giou
[0172][0173][0174]
其中，k为所述特征融合网络最后输出的特征图划分为k*k个格子，m为每个格子对应的锚框的个数，表示有目标的锚框，为没有目标的锚框，λ
noobj
为没有目标锚框的置信度损失权重系数；
[0175]
选择ciou替代giou作为目标框回归的损失函数，其计算式为：
[0176][0177][0178][0179]
其中，α为一个平衡参数，不参与梯度计算；v为用来衡量长宽比一致性的参数。
[0180]
本发明实施例的装置的功能已经在上述的方法实施例中进行了描述，故本实施例的描述中未详尽之处，可以参见前述实施例中的相关说明，在此不做赘述。
[0181]
基于同一发明构思，本说明书实施例还提供一种电子设备。
[0182]
下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。
[0183]
图8为本说明书实施例提供的一种电子设备的结构示意图。下面参照图8来描述根据本发明该实施例的电子设备300。图8显示的电子设备300仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0184]
如图8所示，电子设备300以通用计算设备的形式表现。电子设备300的组件可以包括但不限于：至少一个处理单元310、至少一个存储单元320、连接不同系统组件(包括存储单元320和处理单元310)的总线330、显示单元340等。
[0185]
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元310执
行，使得所述处理单元310执行本说明书上述处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元310可以执行如图1所示的步骤。
[0186]
所述存储单元320可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)3201和/或高速缓存存储单元3202，还可以进一步包括只读存储单元(rom)3203。
[0187]
所述存储单元320还可以包括具有一组(至少一个)程序模块3205的程序/实用工具3204，这样的程序模块3205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
[0188]
总线330可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
[0189]
电子设备300也可以与一个或多个外部设备400(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备300交互的设备通信，和/或与使得该电子设备300能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口350进行。并且，电子设备300还可以通过网络适配器360与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器360可以通过总线330与电子设备300的其它模块通信。应当明白，尽管图8中未示出，可以结合电子设备300使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0190]
通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法，即：如图1所示的方法。
[0191]
图9为本说明书实施例提供的一种计算机可读介质的原理示意图。
[0192]
实现图1所示方法的计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0193]
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包
括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
[0194]
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0195]
综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0196]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
[0197]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
[0198]
以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。