波纹管内壁瑕疵检测模型及检测方法技术

本申请公开了一种波纹管内壁瑕疵检测模型及检测方法。该模型可以包括：基础网络，包括多个卷积层，用于提取图像中的特征信息；自适应平均池化层，针对特征信息进行缩放，获得缩放特征图；权重层，用于通过高斯分布拟合缩放特征图中像素点对应的权值；多头注意力模块，用于通过特征信息，确定多维权重并与特征信息点乘；分类网络，针对权重层与多头注意力模块的输出结果级联后进行块级分类，获得n*n的二值图，判断二值图是否含有瑕疵，确定瑕疵位置，输出瑕疵判断结果。本发明专利技术提高了对航天燃料波纹管内壁瑕疵的检测精度，对瑕疵频繁出现的位置增加权重，提取更加丰富的特征，提高了分块的分类精度，降低了模型的误检率和漏检率。降低了模型的误检率和漏检率。降低了模型的误检率和漏检率。

【技术实现步骤摘要】
波纹管内壁瑕疵检测模型及检测方法


[0001]本专利技术涉及工业瑕疵检测领域，更具体地，涉及一种波纹管内壁瑕疵检测模型及检测方法。

技术介绍

[0002]近年来，随着深度学习技术的蓬勃发展，计算机视觉取得了巨大的突破，越来越多的视觉感知算法被应用于工业界的检查作业中，代替人眼进行工业产品表面瑕疵或缺陷的检测。现有的基于深度学习的瑕疵检测算法大多是基于目标检测算法和语义分割算法。其中目标检测方法只得到瑕疵的位置和大小，无法感知瑕疵的形状，需要较多的数据监督训练，否则会出现较为严重的漏检情况。而语义分割方法可以得到瑕疵整体的位置和形状信息，但是其逐像素分类的特性且部分瑕疵与背景部分相像这一普遍情况会导致较多误检情况，增加了图像的标注成本。同时不同制造工艺制造出的工业产品，其本身具有的属性各不相同，不可能出现一种泛用的算法处理所有的工业产品瑕疵检测，不同产品需要开发一种对应的瑕疵检测算法。但是由于基于计算机视觉的瑕疵检测可以通过检测自动化或辅助肉眼检测减轻瑕疵检测工作的繁重程度，因此瑕疵检测算法备受工业界青睐。
[0003]现存的瑕疵检测方法主要基于目标检测和语义分割两类。其中基于语义分割的算法较多，比如一种基于语义分割的瑕疵检测算法，该算法先将图像放缩到各个不同的尺度，再将图像输入到构建对应于不同尺度图像的网络中，将不同尺度图像得到的结果进行融合，再输入到一个新的网络中得到最终的分割结果，这种方法使用了较大的网络结构，计算速度较慢，但是解决了不同尺度的瑕疵检测问题。而一种基于目标检测的高铁线路紧固件瑕疵检测算法结合了SSD、YOLO等经典目标检测算法构建了一个从粗略到精细的级联瑕疵检测模型，实现对瑕疵的定位到分类这一过程。一种将两者结合的金属表面瑕疵检测方法，先通过一次分割算法将瑕疵粗略地分割出来，再对粗略的分割结果进行一次检测，检测得到含有瑕疵可能性较高的区域，得到了比较精准的缺陷分布位置，再对这些位置实施一次分割算法并进行平滑，得到更加精细的分割结果。
[0004]但是这些算法并不适用于航天燃料波纹管内壁瑕疵检测。波纹管内壁瑕疵大多是尺度较小的小目标，这种小目标在整张图像中只占有较小的区域，使用语义分割网络难以将其捕捉。又因为小目标检测任务在目标检测中也是属于难度较大、精度较低的一类任务，使用目标检测算法也很难检测到面积很小的波纹管瑕疵。同时由于波纹管内壁波纹起伏，具有大量的阴影面积，像素级的语义分割很容易将阴影部分归为瑕疵，出现误检情况。由此可见，航天燃料波纹管内壁瑕疵检测在工业产品表面瑕疵检测领域内也是一个相当棘手的问题。
[0005]因此，有必要开发一种基于深度学习的波纹管内壁瑕疵检测模型及检测方法。
[0006]公开于本专利技术
技术介绍
部分的信息仅仅旨在加深对本专利技术的一般
技术介绍
的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

技术实现思路

[0007]本专利技术提出了一种基于深度学习的波纹管内壁瑕疵检测模型及检测方法，提高了对航天燃料波纹管内壁瑕疵的检测精度，对瑕疵频繁出现的位置增加权重，提取更加丰富的特征，提高了分块的分类精度，降低了模型的误检率和漏检率。
[0008]根据本专利技术的一方面，提出了一种基于深度学习的波纹管内壁瑕疵检测模型，其特征在于，该系统包括：
[0009]基础网络，包括多个卷积层，用于提取图像中的特征信息；
[0010]自适应平均池化层，针对所述特征信息进行缩放，获得缩放特征图；
[0011]权重层，用于通过高斯分布拟合所述缩放特征图中像素点对应的权值；
[0012]多头注意力模块，用于通过所述特征信息，确定多维权重并与所述特征信息点乘；
[0013]分类网络，针对所述权重层与所述多头注意力模块的输出结果级联后进行块级分类，获得n*n的二值图，判断所述二值图是否含有瑕疵，确定瑕疵位置，输出瑕疵判断结果。
[0014]优选地，所述基础网络采用vgg16网络的全卷积部分，每个卷积层后跟随一个批标准化层和激活层。
[0015]优选地，将所述基础网络的多个卷积层中的至少一个卷积层的步长设置为2。
[0016]优选地，通过高斯分布拟合所述缩放特征图中像素点对应的权值包括：
[0017]确定瑕疵中心位置的分布情况；
[0018]针对瑕疵中心位置的分布情况进行高斯分布拟合，得到所述缩放特征图中像素点对应的权值。
[0019]优选地，所述缩放特征图中像素点对应的权值为：
[0020][0021]其中，V为像素点对应的权值大小，d为像素点到瑕疵中心位置的距离，μ与σ分别为均值与方差。
[0022]根据本专利技术的另一方面，提出了一种检测方法，所述方法可以包括：
[0023]训练瑕疵检测模型，获得最终瑕疵检测模型；
[0024]通过最终瑕疵检测模型对目标图像进行检测，对所述目标图像进行块级分类，获得n*n的二值图，判断所述二值图是否含有瑕疵，确定瑕疵位置，输出瑕疵判断结果。
[0025]优选地，训练瑕疵检测模型，获得最终瑕疵检测模型包括：
[0026]在训练集上训练瑕疵检测模型，直到所述瑕疵检测模型收敛，获得最终瑕疵检测模型。
[0027]优选地，在训练集上训练所述瑕疵检测模型为：
[0028]在训练集上通过反向传播训练所述瑕疵检测模型。
[0029]优选地，在训练集上通过反向传播训练所述瑕疵检测模型包括：
[0030]将所述基础网络在分类任务中进行预训练；
[0031]将预训练的基础网络去除最后的全连接输出层，与后续的瑕疵检测模型相连，继续在所述训练集上进行微调训练。
[0032]优选地，还包括：
[0033]针对所述目标图像进行预处理，将所述目标图像进行尺寸缩放与归一化。
[0034]其有益效果在于：
[0035](1)通过统计大量的瑕疵中心位置分布情况，设置了满足瑕疵中心位置分布的高斯分布权重图，将图像经过特征提取网络得到的特征图使用人工设置的权值进行加权，提高了网络对于瑕疵频繁出现位置的感受能力，以此降低网络对瑕疵的漏检率；
[0036](2)使用多头注意力模块，将提取的特征送到人工权值模块的同时送到该模块中，增强了网络对于不同形状、不同尺度的瑕疵的特征提取能力，因而提升了整个模型的检测召回率，降低了瑕疵检测的漏检率；
[0037](3)采用结构较小的vgg16网络作为特征提取网络，该网络在具有较强特征提取能力的同时具有较快的推理速度；
[0038](4)通过自适应平均池化将特征提取网络中得到的较大特征图进行缩小，降低了后续推理任务中的计算量，降低了该部分网络的计算时间，满足工业界所需要的实时推理功能。
[0039]本专利技术的方法和装置具有其它的特性和优点，这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的，或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述，这些附图和具体实施方式共同用于解释本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种波纹管内壁瑕疵检测模型，其特征在于，包括：基础网络，包括多个卷积层，用于提取图像中的特征信息；自适应平均池化层，针对所述特征信息进行缩放，获得缩放特征图；权重层，用于通过高斯分布拟合所述缩放特征图中像素点对应的权值；多头注意力模块，用于通过所述特征信息，确定多维权重并与所述特征信息点乘；分类网络，针对所述权重层与所述多头注意力模块的输出结果级联后进行块级分类，获得n*n的二值图，判断所述二值图是否含有瑕疵，确定瑕疵位置，输出瑕疵判断结果。2.根据权利要求1所述的波纹管内壁瑕疵检测模型，其中，所述基础网络采用vgg16网络的全卷积部分，每个卷积层后跟随一个批标准化层和激活层。3.根据权利要求1所述的波纹管内壁瑕疵检测模型，其中，将所述基础网络的多个卷积层中的至少一个卷积层的步长设置为2。4.根据权利要求1所述的波纹管内壁瑕疵检测模型，其中，通过高斯分布拟合所述缩放特征图中像素点对应的权值包括：确定瑕疵中心位置的分布情况；针对瑕疵中心位置的分布情况进行高斯分布拟合，得到所述缩放特征图中像素点对应的权值。5.根据权利要求4所述的波纹管内壁瑕疵检测模型，其中，所述缩放特征图中像素点对应的权值为：其中，V为像素点...

【专利技术属性】
技术研发人员：陈崇昆，薛雄建，赵术伟，柏杨，
申请(专利权)人：南京云岗智能科技有限公司，
类型：发明
国别省市：