基于丰富鲁棒卷积特征模型的复杂纹理小缺陷的分割方法技术

本发明专利技术公开了一种基于丰富鲁棒卷积特征模型的复杂纹理小缺陷的分割方法，其特征在于，该方法包括获取含有待分割对象的图像，并利用丰富鲁棒卷积特征模型对含有待分割对象的图像进行特征重组，获得每个侧输出层的特征图；每个侧输出层的特征图依次连接一个反卷积层和一个侧输出层精细损失函数，得到每个阶段侧输出层的预测特征图；同时在模型中添加一个融合层，将所有侧输出层特征图反卷积后的特征图融合在一起，然后连接一个融合层精细损失函数获得最终预测图，实现缺陷分割。该方法解决了目标像素和背景像素之间占比不均衡导致的预测结果不准确的问题，能预测出精细目标。

【技术实现步骤摘要】
基于丰富鲁棒卷积特征模型的复杂纹理小缺陷的分割方法
本专利技术涉及锂电池表面缺陷检测
，具体涉及一种基于丰富鲁棒卷积特征模型的复杂纹理小缺陷的分割方法。
技术介绍
锂电池表面缺陷检测已经成为锂电池表面质量控制的重要技术手段，锂电池表面质量不仅可以提升电池组件的使用寿命，也可以提高锂电池的发电效率。对于基于卷积神经网络(CNN)的裂纹分割方法通常面临着两个问题，其一是裂纹的漏检或误检严重，其二是预测的裂纹分割结果较粗，需要复杂的后期处理才能获得精细裂纹。锂电池表面具有复杂的非均匀纹理背景是产生上述问题的主要原因之一，另一个原因是缺陷图像中裂纹像素与背景像素的占比极度不均衡，例如缺陷图像尺寸为100万像素，而缺陷像素只占几十个像素甚至十几个像素。通过不同的卷积层获得的信息随层数变深而变得更粗糙，更具备“全局性”，低层卷积层包含了复杂的随机纹理背景和目标细节信息，对于目标信息和背景的区分尚不明显，网络学习到的只是一些形状、边角特征等不具有区分性的信息，在更高层卷积层中重要的目标信息被保留下来，而中间卷积层则包含了必不可少的目标细本文档来自技高网...

【技术保护点】
1.一种基于丰富鲁棒卷积特征模型的复杂纹理小缺陷的分割方法，其特征在于，该方法包括获取含有待分割对象的图像，并利用丰富鲁棒卷积特征模型对含有待分割对象的图像进行特征重组，获得每个侧输出层的特征图；每个侧输出层的特征图依次连接一个反卷积层和一个侧输出层精细损失函数，得到每个阶段侧输出层的预测特征图；/n同时在模型中添加一个融合层，将所有侧输出层特征图反卷积后的特征图融合在一起，然后连接一个融合层精细损失函数获得最终预测图，实现缺陷分割；/n其中，侧输出层精细损失函数，满足公式(1)：/n

【技术特征摘要】
1.一种基于丰富鲁棒卷积特征模型的复杂纹理小缺陷的分割方法，其特征在于，该方法包括获取含有待分割对象的图像，并利用丰富鲁棒卷积特征模型对含有待分割对象的图像进行特征重组，获得每个侧输出层的特征图；每个侧输出层的特征图依次连接一个反卷积层和一个侧输出层精细损失函数，得到每个阶段侧输出层的预测特征图；
同时在模型中添加一个融合层，将所有侧输出层特征图反卷积后的特征图融合在一起，然后连接一个融合层精细损失函数获得最终预测图，实现缺陷分割；
其中，侧输出层精细损失函数，满足公式(1)：



Pside＝σ(Aside)，Aside＝{aj，j＝1，……|Y|}(2)
式中，L(k)(Pside，G)表示第k阶段的距离损失函数；L(W，w(k))表示第k阶段的加权交叉熵损失函数；Pside表示第k阶段侧输出层的预测特征图；σ为sigmoid激活函数；Aside表示k个阶段侧输出层的预测特征图所有像素处激活值的集合；aj表示第k阶段侧输出层的预测特征图中的任一像素j处的激活值；Y表示图中缺陷像素和非缺陷像素之和；
融合层精细损失函数由下式得到：
Lfuse(W，w)＝Lc(Pfuse，G)(3)



式中，Lc表示标准的交叉熵损失函数；Pfuse表示k个阶段侧输出层的预测特征图的融合，即融合层权重；K表示阶段总数；
使用argmin函数将融合层精细损失函数和所有阶段的侧输出层精细损失函数汇总起来，得到目标函数L，用公式(5)表示；



最后优化目标函数，获得侧输出层精细损失函数以及融合层精细损失函数的权重。


2.根据权利要求1所述的分割方法，其特征在于，利用丰富鲁棒卷积特征模型进行特征重组的具体过程为：
在原始ResNet40网络的基础上去掉全连接层和第五阶段的池化层，原始ResNet40网络第一阶段的标识块层以及第二阶段的标识块层分别侧向连接一个卷积层，得到第一、二阶段侧输出层的特征图；
在原始ResNet40网络的第三、四、五阶段中的每个块层之后分别侧向连接一个卷积层，得到各自块层卷积后的特征图，然后将同一阶段所有的块层卷积后的特征图分别进行逐元素相加获得相应阶段侧输出层的特征图。


3.根据权利要求2所述的分割方法，其特征在于，第一、二阶段的标识块层侧向连接的卷积层的卷积核大小1×1、步长和通道数均为1；第三、四、五阶段中的每个块层后侧向连接的卷积层的卷积核大小为1×1、步长为1、通道数为21。


4.根据权利要求2所述的分割方法，其特征在于，所述原始ResNet40网络包括40个卷积层和位于网络最后一层的全连接层，分为5个阶段，每个阶段均包含一个卷积块层和一个或多个标识块层，其中第一、二阶段分别包含一个含卷积块层和一个标识块层，第三、四、五阶段分别包含一个卷积块层和两个标识块层，每个卷积块层和标识块层均包含多个卷积层；每个阶段在所有的标识块层之后均加入一个池化窗口大小为2×2、步长为2的池化层。


5.根据权利要求4所述的分割方法，其特征在于，原始ResNet40网络的具体结构为：
首先输入的目标图像依次经过卷积核大小为5×5、步长为1、通道数为32的卷积和卷积核大小为2×2、步长为2的最大池化层后得到第一阶段的输入特征；第一阶段的输入特征依次经过卷积核大小为1×1、3×3、1×1，步长均为1、通道数均为32的三个卷积和一个卷积核大小为1×1、步长为1、通道数为32的残差连接后得到第一阶段卷积块层的输出特征；第一阶段卷积块层的输出特征依次经过卷积核大小为1×1、3×3、1×1，步长均为1、通道数均为32...

【专利技术属性】
技术研发人员：陈海永，刘聪，王霜，刘卫朋，张建华，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：天津;12