(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 202210757483.4 (22)申请日 2022.06.30 (71)申请人 深圳职业 技术学院 地址 518055 广东省深圳市南 山区留仙大 道7098号 (72)发明人 赵伦　林森　甘增康　陈伟　张亮　 龚涛　霍小乐　郭子鑫　罗义　 王海波　 (74)专利代理 机构 北京格允知识产权代理有限 公司 11609 专利代理师 周娇娇 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/774(2022.01) G06V 10/764(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 10/40(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 自冲铆成形质量的检测方法、 装置、 电子设 备及存储介质 (57)摘要 本发明实施例涉及计算机技术领域， 特别涉 及一种自冲铆成形质量的检测方法、 装置、 电子 设备及存储介质。 其中， 自冲铆成形质量的检测 方法包括： 采集多张带有缺陷的自冲铆后形成的 接头的图像； 其中， 所述缺陷包括空铆、 复铆、 板 材开裂、 纽扣开裂和纽扣脱落， 所述纽扣是铆钉 刺入板材后形成的； 将采集的所述图像进行数据 增强， 对数据增强后的图像进行标注， 并随机分 成训练集和验证集； 将所述训练集和所述验证集 输入到待训练的检测模型中， 得到训练好的检测 模型； 利用训练好的检测模型对自冲铆后形成的 接头的待测图像进行检测。 上述方案能够提高自 冲铆成形质量的检测效率。 权利要求书2页 说明书10页 附图4页 CN 114998304 A 2022.09.02 CN 114998304 A 1.一种自冲铆成形质量的检测方法， 其特 征在于， 包括： 采集多张带有缺陷的自冲铆后形成的接头的图像； 其中， 所述缺陷包括空铆、 复铆、 板 材开裂、 纽扣开裂和纽扣脱落， 所述纽扣是铆钉刺入板材后形成的； 将采集的所述图像进行数据增强， 对数据增强后的图像进行标注， 并随机分成训练集 和验证集； 将所述训练集和所述验证集输入到待训练的检测模型中， 得到训练好的检测模型； 利用训练好的检测模型对自冲铆后形成的接 头的待测图像进行检测。 2.根据权利要求1所述的方法， 其特征在于， 所述检测模型包括特征提取网络、 特征融 合网络和目标检测部分； 沿低维特征提取向高维特征提取的方向， 所述特征提取网络包括依次连接的第 一深度 可分离卷积、 第二深度可分离卷积、 第一线性倒残差模块、 第三深度可分离卷积、 第二线性 倒残差模块、 第一卷积注意力机制、 第四深度可分离卷积、 第三线性倒残差模块、 第二卷积 注意力机制和第五深度可分离卷积； 所述特征融合网络包括第一特征融合网络、 第二特征融合网络和第三特征融合网络， 所述第一特征融合网络包括依次连接的池化金字塔、 第一特征复用模块、 第一传统卷积块、 第一上采样模块、 第一特征融合模块和第二特征复用模块， 所述第二特征融合网络包括依 次连接的第二传统卷积块、 第三卷积注意力机制、 第二上采样模块、 第二特征融合模块、 第 三特征复用模块和 第四卷积注意力机制， 所述第三特征融合网络包括依次连接的第三传统 卷积块、 第三特征融合模块、 第四特征复用模块、 第四传统卷积块、 第四特征融合模块、 第五 特征复用模块和第五卷积注意力机制； 所述第一卷积注意力 机制与所述第二特征融合模块连接， 所述第 二卷积注意力 机制与 所述第一特征融合模块连接， 所述第 五深度可分离卷积与所述池化金字塔连接， 所述第一 传统卷积块与所述第四特征融合模块连接， 所述第二特征复用模块与所述第三传统卷积块 连接， 所述第三卷积注意力机制与所述第三特征融合模块连接， 所述第四卷积注意力机制 分别与所述第三传统卷积块和所述目标检测部 分连接， 所述第四特征复用模块与所述目标 检测部分连接， 所述第五卷积注意力机制与所述目标检测部分连接 。 3.根据权利要求2所述的方法， 其特征在于， 所述卷积注意力 机制包括通道注意力 机制 和空间注意力机制。 4.根据权利要求2所述的方法， 其特征在于， 在所述利用训练好的检测模型对自冲铆后 形成的接 头的待测图像进行检测之后， 还 包括： 对所述检测模型进行消融实验， 以验证所述检测模型的准确性。 5.一种自冲铆成形质量的检测装置， 其特 征在于， 包括： 采集模块， 用于采集多张带有缺陷的自冲铆后形成的接头的图像； 其中， 所述缺陷包括 空铆、 复铆、 板材开裂、 纽扣开裂和纽扣脱落， 所述纽扣是铆钉刺入板材后形成的； 整理模块， 用于将采集的所述图像进行数据增强， 对数据增强后的图像进行标注， 并随 机分成训练集和验证集； 训练模块， 用于将所述训练集和所述验证集输入到待训练的检测模型中， 得到训练好 的检测模型； 检测模块， 用于利用训练好的检测模型对自冲铆后形成的接 头的待测图像进行检测。权　利　要　求　书 1/2 页 2 CN 114998304 A 26.根据权利要求5所述的装置， 其特征在于， 所述检测模型包括特征提取网络、 特征融 合网络和目标检测部分； 沿低维特征提取向高维特征提取的方向， 所述特征提取网络包括依次连接的第 一深度 可分离卷积、 第二深度可分离卷积、 第一线性倒残差模块、 第三深度可分离卷积、 第二线性 倒残差模块、 第一卷积注意力机制、 第四深度可分离卷积、 第三线性倒残差模块、 第二卷积 注意力机制和第五深度可分离卷积； 所述特征融合网络包括第一特征融合网络、 第二特征融合网络和第三特征融合网络， 所述第一特征融合网络包括依次连接的池化金字塔、 第一特征复用模块、 第一传统卷积块、 第一上采样模块、 第一特征融合模块和第二特征复用模块， 所述第二特征融合网络包括依 次连接的第二传统卷积块、 第三卷积注意力机制、 第二上采样模块、 第二特征融合模块、 第 三特征复用模块和 第四卷积注意力机制， 所述第三特征融合网络包括依次连接的第三传统 卷积块、 第三特征融合模块、 第四特征复用模块、 第四传统卷积块、 第四特征融合模块、 第五 特征复用模块和第五卷积注意力机制； 所述第一卷积注意力 机制与所述第二特征融合模块连接， 所述第 二卷积注意力 机制与 所述第一特征融合模块连接， 所述第 五深度可分离卷积与所述池化金字塔连接， 所述第一 传统卷积块与所述第四特征融合模块连接， 所述第二特征复用模块与所述第三传统卷积块 连接， 所述第三卷积注意力机制与所述第三特征融合模块连接， 所述第四卷积注意力机制 分别与所述第三传统卷积块和所述目标检测部 分连接， 所述第四特征复用模块与所述目标 检测部分连接， 所述第五卷积注意力机制与所述目标检测部分连接 。 7.根据权利要求5所述的装置， 其特征在于， 所述卷积注意力 机制包括通道注意力 机制 和空间注意力机制。 8.根据权利要求5所述的装置， 其特 征在于， 还 包括： 验证模块， 用于对所述检测模型进行消融实验， 以验证所述检测模型的准确性。 9.一种电子设备， 包括存储器和处理器， 所述存储器中存储有计算机程序， 所述处理器 执行所述计算机程序时， 实现如权利要求1 ‑4中任一项所述的方法。 10.一种计算机可读存储介质， 其上存储有计算机程序， 当所述计算机程序在计算机中 执行时， 令计算机执 行权利要求1 ‑4中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 114998304 A 3