一种基于注意力机制的墙面缺陷检测方法技术

本发明专利技术公开了一种基于注意力机制的墙面缺陷检测方法，涉及计算机视觉技术领域，该方法通过加载已训练完成的注意力网络模型，在本检测训练过程中，仅需重新训练较浅的几层记忆力与分类网络模型即可完成墙面缺陷检测任务，因此训练的计算量非常小，训练速度快，大大降低了时间成本，可在存储空间与计算资源有限的移动平台上使用，即使移动平台的计算能力也能达到实时检测分类；通过使用长短时记忆网络与全连接网络结合的方式进行缺陷的类别预测，网络保存了墙面缺陷的特征信息，即使在新场景不训练使用也能达到较高的精确度，优于其余由于参数量过大造成过拟合的超深度神经网络，因此可迁移性强。

A wall defect detection method based on attention mechanism

【技术实现步骤摘要】
一种基于注意力机制的墙面缺陷检测方法
本专利技术涉及计算机视觉
，具体而言，涉及一种基于注意力机制的墙面缺陷检测方法。
技术介绍
经典的目标检测算法包括R-CNN、SPP-Net、FastR-CNN、FasterR-CNN到MaskR-CNN系列与YOLO、SSD、YOLOv2系列等。传统的目标检测算法通过滑动窗口来产生目标区域，每滑动一次进行一次检测(分类)，在窗口滑动步长不大时，相邻的窗口重叠率高，并且一张图片产生的窗口数量巨大，检测的速度十分缓慢，直至R-CNN的提出。R-CNN使用了一种选择性搜索(SelectiveSearch，SS)办法，先生成候选区域再检测，降低了信息的冗余度，显著提高了检测的速度。R-CNN成功的引入了CNN卷积神经网络来进行特征提取，但是存在一个问题，就是对输入的图像大小有严格的限制。面对这种问题，R-CNN对分割出来的2000多个候选区域进行切割或者放缩形变处理到固定大小，这样虽然满足了卷积神经网络模型中全连接神经网络对维度的要求，却造成了图片的信息丢失(切割)或者变性(放缩处理)，会降低图像识别的准确本文档来自技高网...

【技术保护点】
1.一种基于注意力机制的墙面缺陷检测方法，其特征在于，包括以下步骤：/nS100、收集若干未粉刷墙面的图像，对未粉刷墙面的图像进行预处理后整理为图像数据集，将该图像数据集分成训练图像数据集和测试图像数据集两部分；/nS200、构建并训练注意力网络模型，其包括依次逐级连接的若干层卷积网络以及若干层全连接网络；/nS300、构建记忆力与分类网络模型，其包括依次逐级连接的长短时记忆网络以及若干层全连接网络；/nS400、利用训练图像数据集对记忆力与分类网络模型进行训练；/nS500、将测试图像数据集输入训练好的注意力网络模型，获取测试图像数据集中图像的缺陷位置，并得到测试图像数据集图像中包括有缺陷的...

【技术特征摘要】
1.一种基于注意力机制的墙面缺陷检测方法，其特征在于，包括以下步骤：
S100、收集若干未粉刷墙面的图像，对未粉刷墙面的图像进行预处理后整理为图像数据集，将该图像数据集分成训练图像数据集和测试图像数据集两部分；
S200、构建并训练注意力网络模型，其包括依次逐级连接的若干层卷积网络以及若干层全连接网络；
S300、构建记忆力与分类网络模型，其包括依次逐级连接的长短时记忆网络以及若干层全连接网络；
S400、利用训练图像数据集对记忆力与分类网络模型进行训练；
S500、将测试图像数据集输入训练好的注意力网络模型，获取测试图像数据集中图像的缺陷位置，并得到测试图像数据集图像中包括有缺陷的局部测试图像，将局部测试图像输入训练好的记忆力与分类网络模型，对其中缺陷的类别进行预测，最后输出测试图像数据集图像的缺陷的类别和位置，完成墙面缺陷的检测。


2.根据权利要求1所述的基于注意力机制的墙面缺陷检测方法，其特征在于，所述步骤S100中，对未粉刷墙面的图像进行预处理的过程包括：将图像统一为同一大小，并标注图像存在的缺陷的类别。


3.根据权利要求1所述的基于注意力机制的墙面缺陷检测方法，其特征在于，所述步骤S200具体包括：
S201、构建包括若干层卷积网络以及若干层全连接网络的注意力网络框架；
S202、通过函数h(x)对注意力网络框架进行近似拟合；
S203、使用imagenet数据集为拟合后的注意力网络框架训练参数，完成注意力网络模型的训练。


4.根据权利要求3所述的基于注意力机制的墙面缺陷检测方法，其特征在于，所述步骤S201中，卷积网络有五层，全连接网络有两层。


5.根据权利要求3所述的基于注意力机制的墙面缺陷检测方法，其特征在于，所述步骤S203具体包括：使用imagen...

【专利技术属性】
技术研发人员：蔡菥，葛树志，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川;51