CN115775231A - 一种基于Cascade R-CNN的金具缺陷检测方法及系统 - Google Patents

Abstract

本发明公开了一种基于Cascade R‑CNN的金具缺陷检测方法及系统，其方法包括：S1、构建Cascade R‑CNN模型；S2、利用训练好的Cascade R‑CNN模型对金具进行缺陷检测；包括：S21、将不同尺度的金具图像分配至递归特征金字塔的不同特征层做预测，重复利用主干网络特征提取能力，迭代融合输出特征图；S22、将输出特征图分配给级联的分类器，逐级进行检测以提高边框回归的IoU阈值；S23、在进行特征提取时，利用基于梯度更新算法的混合层优化神经架构搜索方法对空洞卷积的空洞率与卷积核的权重进行联合优化，找到适合特征提取网络每一阶段卷积核感受野的大小，实现金具缺陷检测。本发明可以提高实现不同尺度金具的有效检测，检测精度高。

Description

一种基于Cascade R-CNN的金具缺陷检测方法及系统

技术领域

本发明涉及金具缺陷检测技术领域，特别涉及一种基于Cascade R-CNN的金具缺陷检测方法及系统。

背景技术

近年来，随着电网高速发展与全面覆盖，输电线路作为电力传输中的核心系统，其稳定运行对电网的安全有着至关重要的影响。其中，金具作为输电线路的重要附件，起到了固定、防护与接续以及维持整个线路稳定运行的作用。由于金具的工作环境往往处在复杂恶劣的野外环境，极易发生锈蚀、变形、破损等缺陷，因此对输电线路进行定期巡检将大大减少输电线路故障的发生。

在智能电网建设的大环境下，巡检智能化需求迫切，采用输电线路巡检机器人拍摄图像的方式对金具状态进行检测，已成为电网输电线路巡检的热门方法，其中计算机视觉技术对输电线路航拍图像中金具的自动检测是实现智能化巡检的重要一环。

计算机视觉技术对输电线路拍摄图像中金具相关的目标检测方法主要分为两类：一类是基于经典机器学习的检测方法，另一类是基于深度学习算法的检测方法。目前基于经典机器学习的目标检测方法更适用于背景简单的单类目标检测，而对复杂背景的多目标检测情况并不理想。目前基于深度学习的目标检测方法在输电线路巡检工作中的应用，表现效果最好的还是以检测单类目标或背景简单的目标为主。真实的输电线路拍摄图像中的金具具有种类多、背景复杂的特点，对多类金具实现准确检测是实现输电线路金具智能检测的关键。

此外，在庞大的输电网中，金具的数量与种类众多，且大小和形状不同。其中拍摄图像中的小尺度金具，存在特征信息少、难提取问题；同时金具还存在多尺度难检测问题。

发明内容

本发明要解决的技术问题是提供一种可行性高、检测精度率高的基于Cascade R-CNN的金具缺陷检测方法。

为了解决上述问题，本发明提供了一种基于Cascade R-CNN的金具缺陷检测方法，所述基于Cascade R-CNN的金具缺陷检测方法包括以下步骤：

S1、构建Cascade R-CNN模型，所述Cascade R-CNN模型包括递归特征金字塔、主干网络和级联的分类器，利用训练集对Cascade R-CNN模型进行训练得到训练好的CascadeR-CNN模型；

S2、利用训练好的Cascade R-CNN模型对金具进行缺陷检测；包括：

S21、将不同尺度的金具图像分配至递归特征金字塔的不同特征层做预测，重复利用主干网络特征提取能力，迭代融合输出特征图；

S22、将输出特征图分配给级联的分类器，逐级进行检测以提高边框回归的IoU阈值；

S23、在进行特征提取时，利用基于梯度更新算法的混合层优化神经架构搜索方法对空洞卷积的空洞率与卷积核的权重进行联合优化，找到适合特征提取网络每一阶段卷积核感受野的大小，实现金具缺陷检测。

在本发明的一个实施例中，输出特征图表示为：

f_i＝F_i(f_i+1,x_i),x_i＝C_i(x_i-1)

其中，C_i表示自底向上主干网络的第i阶段卷积过程；F_i表示递归特征金字塔网络的第i阶段特征图融合过程；f_i为递归特征金字塔网络第i阶段目标预测的特征图；x_i为主干网络卷积操作后的特征图；S表示特征图总的特征层数；i＝1，…，S；x₀代表原始输入图像；f_s+1＝0。

在本发明的一个实施例中，所述Cascade R-CNN模型的分类函数包括边框回归的损失函数和分类损失函数。

在本发明的一个实施例中，所述边框回归的损失函数为：

其中，f(x_i,b_i)为分类器输入的边框；g_i为真实边框；N为当前预测的样本数量；T为分类器的阶段；L_loc为R-CNN的损失函数，定义如下：

其中，(o_x,o_y,o_w,o_h)为回归模型的输出边框坐标；(t_x,t_y,t_w,t_h)为真实坐标；smooth损失函数为：

在本发明的一个实施例中，所述分类损失函数为：

其中，g为给定的xⁱ所对应的真实边框；yⁱ是根据uⁱ给定的xⁱ的预测标签；uⁱ是各阶段IoU阈值；λ为权衡系数；L_loc为卷积神经网络中的L₂损失函数；bⁱ为回归模型f_i所对应阶段的样本分布，且bⁱ＝f_i-1(x^i-1,y^i-1)。

在本发明的一个实施例中，还包括：

构建数据集，将样本数据划分为训练集、验证集、测试集，所述训练集用于对Cascade R-CNN模型进行训练，所述测试集应用对训练好的Cascade R-CNN模型进行测试。

在本发明的一个实施例中，所述样本数据包括提包式悬垂线夹、耐张线夹、U型挂环、间隔棒、防震锤。

本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。

本发明还提供了一种基于Cascade R-CNN的金具缺陷检测系统，其包括以下模块：

网络训练模块，用于构建Cascade R-CNN模型，所述Cascade R-CNN模型包括递归特征金字塔、主干网络和级联的分类器，利用训练集对Cascade R-CNN模型进行训练得到训练好的Cascade R-CNN模型；

缺陷检测模块，用于利用训练好的Cascade R-CNN模型对金具进行缺陷检测；包括：

将不同尺度的金具图像分配至递归特征金字塔的不同特征层做预测，重复利用主干网络特征提取能力，迭代融合输出特征图；

将输出特征图分配给级联的分类器，逐级进行检测以提高边框回归的IoU阈值；

在进行特征提取时，利用基于梯度更新算法的混合层优化神经架构搜索方法对空洞卷积的空洞率与卷积核的权重进行联合优化，找到适合特征提取网络每一阶段卷积核感受野的大小，实现金具缺陷检测。

本发明的有益效果：

本发明基于Cascade R-CNN的金具缺陷检测方法利用递归特征金字塔实现不同尺度金具的有效检测，提高了模型检测能力。并通过改变卷积感受野以适应金具尺度，进而提高模型效果。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。

附图说明

图1是本发明实施例中基于Cascade R-CNN的金具缺陷检测方法的流程图；

图2是本发明实施例中Cascade R-CNN模型的示意图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

实施例一

如图1所示，本实施例公开了一种基于Cascade R-CNN的金具缺陷检测方法，包括以下步骤：

步骤S1、构建Cascade R-CNN模型，所述Cascade R-CNN模型包括递归特征金字塔、主干网络和级联的分类器，利用训练集对Cascade R-CNN模型进行训练得到训练好的Cascade R-CNN模型；参照图2。

步骤S2、利用训练好的Cascade R-CNN模型对金具进行缺陷检测；包括：

步骤S21、将不同尺度的金具图像分配至递归特征金字塔的不同特征层做预测，重复利用主干网络特征提取能力，迭代融合输出特征图；

基于深度卷积神经网络的目标检测算法，通过构造深度卷积网络的金字塔分层结构，形成多尺度特征金字塔。将不同尺度的金具分配到不同特征层做预测，解决小尺度金具因特征丢失严重而导致的预测不准确问题，递归特征金字塔是在金字塔的基础上，重复应用主干网络特征提取能力，迭代融合输出特征图。

输出特征图表示为：

f_i＝F_i(f_i+1,x_i),x_i＝C_i(x_i-1)

其中，C_i表示自底向上主干网络的第i阶段卷积过程；F_i表示递归特征金字塔网络的第i阶段特征图融合过程；f_i为递归特征金字塔网络第i阶段目标预测的特征图；x_i为主干网络卷积操作后的特征图；S表示特征图总的特征层数；i＝1，…，S；x₀代表原始输入图像；f_s+1＝0。

递归特征金字塔RFP相比于特征金字塔添加了反馈连接，输入分为FPN的反馈输入与原始图像输入。R_i表示第i阶段反馈输入特征图进行特征融合前的预处理，RFP的输出特征定义为P_i，z_i表示第一次进行递归时，主干网络输出的第i阶段特征图。

P_i＝F_i(P_i+1,Z_i),z_i＝C_i(z_i-1,R_i(f_i))

递归结构可以用于多次迭代过程，第t次递归迭代过程的推广公式如下：

式中，t＝1,…,T；T表示金字塔特征的递归迭代次数，使用上标t表示第t次迭代过程。

将ResNet每个阶段的第一个卷积结果与经过空洞空间搜索ASS处理的回归特征图进行融合，实现对主干网络的修改。

步骤S22、将输出特征图分配给级联的分类器，逐级进行检测以提高边框回归的IoU阈值；

目标检测中的分类器是一个函数h(x)。在目标检测中，分类器的作用是在标记好图像类别的训练数据基础上判断一个新的图像样本所属的类别。

分类器函数(i)将特征图像分配给M+1个类中的某一个，第k个分类器h_i(i)＝p(y＝k|i)为类别的后验概率分布的M+1维估计，这里y为类别标签。对于图像训练集(x_i,y_i)，其损失函数为：

式中：x_i，y_i分别为训练集的输入输出；L_cls为交叉熵损失。

式中：

为输出y_i的预测。

Cascade R-CNN网络最终的分类器需要通过几个分类及级联得到(前面一个分类器的输出为后一个分类器的输入，当图片通过前一个分类器的检测时才能进入下一个分类器进行检测，即将级联回归做重采样，以改变区域候选框低质量的问题)。这样逐级进行检测保证了正样本的质量，可以不断提高检测器的精度，同时还可以将IoU阈值增大导致过度拟合的可能性降低。

所述Cascade R-CNN模型的分类函数包括边框回归的损失函数和分类损失函数。

所述边框回归的损失函数为：

其中，f(x_i,b_i)为分类器输入的边框；g_i为真实边框；N为当前预测的样本数量；T为分类器的阶段；L_loc为R-CNN的损失函数，定义如下：

其中，(o_x,o_y,o_w,o_h)为回归模型的输出边框坐标；(t_x,t_y,t_w,t_h)为真实坐标；smooth损失函数为：

为保证图片经过回归模型后的位置和尺度不发生相对变化，对L_loc经过如下处理：对距离向量进行计算，Δ＝(δ_x,δ_y,δ_w,δ_h)。定义如下：

式中：(b_x,b_y,b_w,b_h)为候选边框的中心坐标和宽高；(g_x,g_y,g_w,g_h)为目标边框的中心坐标和宽高。对上式进行归一化：

要更准确的地判别低质量的hypotheses，一个标准的折衷办法是开发一组分类器，针对不同的IoU级别进行优化，在每个阶段i，分类器h_i和针对相应的IoU阈值优化回归模型f_i，则分类损失函数为：

其中，g为给定的xⁱ所对应的真实边框；yⁱ是根据uⁱ给定的xⁱ的预测标签；uⁱ是各阶段IoU阈值；λ为权衡系数；L_loc为卷积神经网络中的L₂损失函数；bⁱ为回归模型f_i所对应阶段的样本分布，且bⁱ＝f_i-1(x^i-1,y^i-1)。

步骤S23、在进行特征提取时，利用基于梯度更新算法的混合层优化神经架构搜索方法对空洞卷积的空洞率与卷积核的权重进行联合优化，找到适合特征提取网络每一阶段卷积核感受野的大小，实现金具缺陷检测。

在进行金具特征提取时，不同尺度金具进行特征提取对应的感受野存在差异。对于输电线路图像中金具多尺度检测，选择合适的卷积核的感受野进行特征提取是很必要的。基于梯度更新算法的混合层优化神经架构搜索(mixed-leveloptimizationbased NAS，MiLeNAS)方法，对空洞卷积的空洞率与卷积核的权重进行联合优化，因为MiLeNAS方法中已经证明联合优化的方法可以通过减少模型的计算量提高方法的效率。总体架构由3部分组成：基于NAS的空洞率搜索结构和2个上下文信息池化结构。定义y＝Conv(x,w,r)表示以x作为输入矩阵、输出为y的卷积运算，其中w为预训练权重、r为空洞卷积的空洞率。理论公式计算过程如下所示：

在初始化空洞率r＝0的基础上模型通过训练集对预训练模型的权重w进行训练，保持训练后权重参数不变，NAS利用验证集对函数S(·)与空洞率r进行搜索，搜索过程通过搜索最小的损失函数值L_S(x)完成，公式表达式如下：

minL_S(x)(w^*(r),r)

式中，训练权重w^*取到使模型收敛最好的值，在空洞率不变，使训练模型的损失最小时的权重值，具体约束公式如下：

w^*＝w+Δw

w^*(r)＝argminL_tr(w,r)

应用验证集获取的最佳参数L_tr，对模型权重二次优化训练，在训练集上通过最小损失计算完成空洞率r参数与偏移权重Δw双向优化取得最佳参数组合，如下式所示：

minL_tr(argminL_S(x)(w+Δw,r))

空洞率r是NAS-AC搜索的参数。w是预训练模型的权重，Δw为金具训练的微调。函数S(·)是NAS搜索结果之一。

进一步地，本发明还包括以下步骤：

构建数据集，将样本数据划分为训练集、验证集、测试集，所述训练集用于对Cascade R-CNN模型进行训练，所述测试集应用对训练好的Cascade R-CNN模型进行测试。

其中，样本数据包括提包式悬垂线夹、耐张线夹、U型挂环、间隔棒、防震锤等类型。

具体地，将收集到的样本分为训练集、验证集、测试机，分别占比50％、25％、25％，假设预测结果输出矩形框为R_pre，目标标注框为R_t,如果满足下式，则预测结果输出矩形框为有效检测结果：

式中，a为交并比，a_min为最小交并比阈值，它表示模型产生的目标窗口与原来标记窗口的最小交叠率。

目标检测结果有：正确正样本值η_TP、错误正样本值η_FP、正确负样本值η_TN、错误负样本值η_FN。每类的检测精度以及召回率分别用P和R表示

平均精确度均值

为多类目标的检测精准度。可用于衡量检测模型整体分类与定位的性能，其计算公式为：

式中：N_cls为所有类别的总数；P_i、R_i分别为第i类的精确度和召回率；

为第i类的平均精确度(averageprecision,AP)，

为a从0.5开始没间隔0.05取一次值到0.95，然后求平均值时的多类目标检测的精确度；

与

分别为a_min取0.5与0.75时多类目标检测的精确度。

参见表1，对5种方法的平均精确度均值结果进行对比，表中“√”代表该检测方法含有相应模块，数值表示实验结果。针对金具存在的多尺度与小尺度问题，引入RFP与NAS-AC模块，在特征提取阶段对模型进行改进，改进是具有针对性的。从表1中可以明显看出，引入RFP后的Cascade R-CNN模型检测精确度有一定的提升，相较于Cascade R-CNN模型，

3个值分别提高了5.9％、8.21％、6.69％，该部分实验结果表明，引入RFP的改进是有效性。通过RFP与原始FPN实验结果的对比，可以发现RFP获得了更高的3个平均精确度，原始FPN仅仅是将高级语义自顶向下的传递到目标预测的每一层特征层，来提高目标预测特征的有效性，而RFP采用特征回归的方式将高级语义信息传递到主干网络，对卷积过程中的干扰信息进行抑制，增强了金具特征的高级语义信息，进而提高了金具检测的精确度。表1实验结果显示，引入NAS-AC后，Cascade R-CNN模型的

3个值分别提高了5.37％、7.22％、6.31％。引入NAS-AC后的Cascade R-CNN模型通过将传统卷积方式替换为空洞卷积的方式，改变卷积过程中提取特征的卷积核感受野的大小，缓解金具因多尺度特征所对应的感受野不一致带来的检测精确度低问题。由表1实验结果可以发现，2种改进方法联合应用检测效果要优于单一改进的检测效果，所以改进方法在模型整体检测效果上都起到了正方向增益效果，2种方法联合改进Cascade R-CNN模型。

表1

实施例二

本实施例公开了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例一中所述基于Cascade R-CNN的金具缺陷检测方法的步骤。

实施例三

本实施例公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例一中所述基于Cascade R-CNN的金具缺陷检测方法的步骤。

实施例四

本实施例公开了一种基于Cascade R-CNN的金具缺陷检测系统，所述基于CascadeR-CNN的金具缺陷检测系统包括以下模块：

网络训练模块，用于构建Cascade R-CNN模型，所述Cascade R-CNN模型包括递归特征金字塔、主干网络和级联的分类器，利用训练集对Cascade R-CNN模型进行训练得到训练好的Cascade R-CNN模型；

缺陷检测模块，用于利用训练好的Cascade R-CNN模型对金具进行缺陷检测；包括：

将不同尺度的金具图像分配至递归特征金字塔的不同特征层做预测，重复利用主干网络特征提取能力，迭代融合输出特征图；

将输出特征图分配给级联的分类器，逐级进行检测以提高边框回归的IoU阈值；

在进行特征提取时，利用基于梯度更新算法的混合层优化神经架构搜索方法对空洞卷积的空洞率与卷积核的权重进行联合优化，找到适合特征提取网络每一阶段卷积核感受野的大小，实现金具缺陷检测。

本发明实施例中的基于Cascade R-CNN的金具缺陷检测系统用于实现前述的基于Cascade R-CNN的金具缺陷检测方法，因此该系统的具体实施方式可见前文中的基于Cascade R-CNN的金具缺陷检测方法的实施例部分，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。

另外，由于本实施例的基于Cascade R-CNN的金具缺陷检测系统用于实现前述的基于Cascade R-CNN的金具缺陷检测方法，因此其作用与上述方法的作用相对应，这里不再赘述。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种基于Cascade R-CNN的金具缺陷检测方法，其特征在于，包括以下步骤：

S1、构建Cascade R-CNN模型，所述Cascade R-CNN模型包括递归特征金字塔、主干网络和级联的分类器，利用训练集对Cascade R-CNN模型进行训练得到训练好的Cascade R-CNN模型；

S2、利用训练好的Cascade R-CNN模型对金具进行缺陷检测；包括：

S21、将不同尺度的金具图像分配至递归特征金字塔的不同特征层做预测，重复利用主干网络特征提取能力，迭代融合输出特征图；

S22、将输出特征图分配给级联的分类器，逐级进行检测以提高边框回归的IoU阈值；

S23、在进行特征提取时，利用基于梯度更新算法的混合层优化神经架构搜索方法对空洞卷积的空洞率与卷积核的权重进行联合优化，找到适合特征提取网络每一阶段卷积核感受野的大小，实现金具缺陷检测。

2.如权利要求1所述的基于Cascade R-CNN的金具缺陷检测方法，其特征在于，输出特征图表示为：

f_i＝F_i(f_i+1,x_i),x_i＝C_i(x_i-1)

其中，C_i表示自底向上主干网络的第i阶段卷积过程；F_i表示递归特征金字塔网络的第i阶段特征图融合过程；f_i为递归特征金字塔网络第i阶段目标预测的特征图；x_i为主干网络卷积操作后的特征图；S表示特征图总的特征层数；i＝1，…，S；x₀代表原始输入图像；f_s+1＝0。

3.如权利要求1所述的基于Cascade R-CNN的金具缺陷检测方法，其特征在于，所述Cascade R-CNN模型的分类函数包括边框回归的损失函数和分类损失函数。

4.如权利要求3所述的基于Cascade R-CNN的金具缺陷检测方法，其特征在于，所述边框回归的损失函数为：

其中，f(x_i,b_i)为分类器输入的边框；g_i为真实边框；N为当前预测的样本数量；T为分类器的阶段；L_loc为R-CNN的损失函数，定义如下：

其中，(o_x,o_y,o_w,o_h)为回归模型的输出边框坐标；(t_x,t_y,t_w,t_h)为真实坐标；smooth损失函数为：

5.如权利要求3所述的基于Cascade R-CNN的金具缺陷检测方法，其特征在于，所述分类损失函数为：

其中，g为给定的xⁱ所对应的真实边框；yⁱ是根据uⁱ给定的xⁱ的预测标签；uⁱ是各阶段IoU阈值；λ为权衡系数；L_loc为卷积神经网络中的L₂损失函数；bⁱ为回归模型f_i所对应阶段的样本分布，且bⁱ＝f_i-1(x^i-1,y^i-1)。

6.如权利要求1所述的基于Cascade R-CNN的金具缺陷检测方法，其特征在于，还包括：

构建数据集，将样本数据划分为训练集、验证集、测试集，所述训练集用于对CascadeR-CNN模型进行训练，所述测试集应用对训练好的Cascade R-CNN模型进行测试。

7.如权利要求6所述的基于Cascade R-CNN的金具缺陷检测方法，其特征在于，所述样本数据包括提包式悬垂线夹、耐张线夹、U型挂环、间隔棒、防震锤。

8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7中任意一项所述方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7任意一项所述方法的步骤。

10.一种基于Cascade R-CNN的金具缺陷检测系统，其特征在于，包括以下模块：

网络训练模块，用于构建Cascade R-CNN模型，所述Cascade R-CNN模型包括递归特征金字塔、主干网络和级联的分类器，利用训练集对Cascade R-CNN模型进行训练得到训练好的Cascade R-CNN模型；

缺陷检测模块，用于利用训练好的Cascade R-CNN模型对金具进行缺陷检测；包括：

将不同尺度的金具图像分配至递归特征金字塔的不同特征层做预测，重复利用主干网络特征提取能力，迭代融合输出特征图；

将输出特征图分配给级联的分类器，逐级进行检测以提高边框回归的IoU阈值；

在进行特征提取时，利用基于梯度更新算法的混合层优化神经架构搜索方法对空洞卷积的空洞率与卷积核的权重进行联合优化，找到适合特征提取网络每一阶段卷积核感受野的大小，实现金具缺陷检测。

Images