一种增强神经网络特征多样性的缺陷检测方法及系统技术方案

本发明专利技术属于神经网络特征提取相关技术领域，其公开了一种增强神经网络特征多样性的缺陷检测方法及系统，方法包括：将待检测图像输入第一神经网络特征提取模块和第二神经网络提取模块，以提取不同维度的图像缺陷特征；采用特征差异性损失函数计算上述两提取模块提取到的图像缺陷特征之间的差异性损失，基于分割损失和差异性损失构建训练函数；采用训练函数对两种神经网络提取模块、以及两种神经网络提取模块提取结果的融合解码过程进行训练，直至收敛，得到缺陷图像。本申请提出一种能够提取不同特征的神经网络模块和衡量不同模块提取到特征之间差异性的损失函数，进而获得多样性特征，降低特征冗余，提升检测效果。提升检测效果。提升检测效果。

【技术实现步骤摘要】
一种增强神经网络特征多样性的缺陷检测方法及系统


[0001]本专利技术属于缺陷检测相关
，更具体地，涉及一种增强神经网络特征多样性的缺陷检测方法及系统。

技术介绍

[0002]在基于神经网络的特征处理方法中，为保证特征的多样性，先后提出了多种特征处理方案，如PSPNet中的金字塔池化模型，SPNet中的条形池化模型，DeepLab中的空洞卷积以及FCN中的跳跃连接。
[0003]上述方法从不同的角度设计特征提取模块从而获取多样化的特征，进而增强模型对于不同尺度、形状的缺陷检测能力。然而，上述方法均未给出如何保证模型在训练过程中，不同特征处理方式得到的特征之间的差异性。中国专利CN111932541A，公开了一种保证特征多样性的方法，其方法是通过构建特征差异性损失函数度量影像组学特征与深度学习特征之间的差异，但该方法是度量神经网络提取特征与手工设计特征之间的差异，所以其不能用于衡量神经网络中不同方法提取到特征之间的差异，不能衡量特征之间的相似性，进而使得部分特征被过滤，细微特征区别被抹除，不能精确反应特征的原始形貌。基于此，亟需设计出能够提取到不同特征的神经网络模块，和衡量不同模块提取到特征之间差异性的损失函数，进而得到更为多样的特征。

技术实现思路

[0004]针对现有技术的以上缺陷或改进需求，本专利技术提供了一种增强神经网络特征多样性的缺陷检测方法及系统，本申请设计出一种能够提取到不同特征的神经网络模块，和衡量不同模块提取到特征之间差异性的损失函数，进而获得更为多样的图像特征，降低了特征冗余，提升模型对缺陷图像的检测精度。
[0005]为实现上述目的，按照本专利技术的一个方面，提供了一种增强神经网络特征多样性的缺陷检测方法，所述方法包括：S1：将待检测图像输入第一神经网络特征提取模块和第二神经网络提取模块，以提取不同维度的图像缺陷特征，其中，所述第一种神经网络特征提取模块由基于卷积核组中的一种或多种卷积核构建，所述第二种神经网络特征提取模块由基于卷积核组中的另外一种或多种卷积核构建，所述卷积核组包括对角卷积核、水平卷积核、竖直卷积核和普通卷积核；S2：采用特征差异性损失函数计算所述第一种神经网络特征提取模块和第二种神经网络特征提取模块提取得到的图像缺陷特征的差异性损失，其中，所述差异性损失函数与所述两种神经网络特征提取模块的输出结果的差的平方或范数或散度成反比；S3：基于分割损失和所述差异性损失的加权构建训练函数；S4：采用所述训练函数对所述第一种神经网络特征提取模块、第二种神经网络提取模块、以及第一种神经网络特征提取模块和第二种神经网络提取模块提取的图像缺陷特征的融合解码过程进行训练，直至收敛，得到缺陷图像。
[0006]优选地，所述第一种神经网络特征提取模块包括多个边缘感知子模块，其中，相邻
两边缘感知子模块之间设有最大池化层，以对前一边缘感知子模块的输出结果进行降维。
[0007]优选地，当所述边缘感知子模块包括一种卷积核时，所述边缘感知子模块包括多个相连的第一卷积单元，每个第一卷积单元依次包括卷积核、批归一化层以及激活层；当所述边缘感知子模块包括多种卷积核时，所述边缘感知子模块包括多个通道，每个通道包括一种卷积核对应的第一卷积单元。
[0008]优选地，所述第二种神经网络特征提取模块包括多个组合卷积子模块，其中，相邻两组合卷积子模块之间设有最大池化层，以对前一组合卷积子模块的输出结果进行降维。
[0009]优选地，当所述组合卷积子模块包括一种卷积核时，所述组合卷积子模块包括多个相连的第二卷积单元，每个第二卷积单元依次包括卷积核、批归一化层以及激活层；当所述组合卷积子模块包括多种卷积核时，所述组合卷积子模块包括多个通道，每个通道包括一种卷积核对应的第二卷积单元。
[0010]优选地，所述特征差异性损失函数loss
diff
的计算式为：
[0011][0012]其中，N为一个批次中输入网络中的图像个数，b为输入网络中的第b个图像，α为调节参数，F1为第一种神经网络特征提取模块输出的缺陷特征提取结果，F2为第二种神经网络特征提取模块输出的缺陷特征提取结果；
[0013]或者为：
[0014][0015]其中，|| ||
F
为F范数，β为调节参数，N为一个批次中输入网络中的图像个数，b为输入网络中的第b个图像，F1为第一种神经网络特征提取模块输出的缺陷特征提取结果，F2为第二种神经网络特征提取模块输出的缺陷特征提取结果；
[0016]或者为：
[0017][0018]其中，KLD为KL散度；γ为调节参数。
[0019]优选地，所述训练函数loss为：
[0020]loss＝λloss
diff
+νloss
seg
ꢀꢀꢀ
(4)
[0021][0022]其中，loss
diff
为特征差异性损失函数，loss
seg
为交叉熵损失函数对应的分割损失，λ和ν为权重系数，y
i
为图像x
i
真实的标签图像，1预测为缺陷区域，0预测为非缺陷区域，表示模型对样本x
i
预测的结果，其取值在(0，1)范围内。
[0023]优选地，采用Adam优化算法对所述训练函数进行优化，以使模型收敛。
[0024]按照本专利技术的另一个方面，提供了一种增强神经网络特征多样性的缺陷检测系统，所述系统包括：图像缺陷特征提取模块，用于将待检测图像输入第一神经网络特征提取模块和第二神经网络提取模块，以提取不同维度的图像缺陷特征，其中，所述第一种神经网络特征提取模块由基于卷积核组中的一种或多种卷积核构建，所述第二种神经网络特征提
取模块由基于卷积核组中的另外一种或多种卷积核构建，所述卷积核组包括对角卷积核、水平卷积核、竖直卷积核和普通卷积核；差异性损失计算模块，用于采用特征差异性损失函数计算所述第一种和第二种神经网络特征提取模块提取到的图像缺陷特征之间的差异性，其中，所述差异性损失函数与所述第一种和第二种神经网络特征提取模块的输出结果的差的平方或范数或散度成反比；训练函数构建模块：用于基于分割损失和所述差异性损失的加权构建训练函数；训练生成模块：用于采用所述训练函数对所述第一种神经网络特征提取模块、第二种神经网络特征提取模块、以及第一种神经网络特征提取模块和第二种神经网络特征提取模块提取的图像缺陷特征的融合解码过程进行训练，直至收敛，得到缺陷图像。
[0025]总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，本专利技术提供的一种增强神经网络特征多样性的缺陷检测方法及系统具有如下有益效果：
[0026]1.本申请通过多种卷积核获取图像中缺陷的多维度特征，并采用特定特征差异性损失函数保证多维度特征的差异性保持，进而获取更为多样的特征，让不同模块提取得到的深度学习特征之间保持差异性，降低特征冗余，从而提升模型的检测精度，进而提高缺陷图像的检测精度，更能真本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种增强神经网络特征多样性的缺陷检测方法，其特征在于，所述方法包括：S1：将待检测图像输入第一神经网络特征提取模块和第二神经网络提取模块，以提取不同维度的图像缺陷特征，其中，所述第一种神经网络特征提取模块由基于卷积核组中的一种或多种卷积核构建，所述第二种神经网络特征提取模块由基于卷积核组中的另外一种或多种卷积核构建，所述卷积核组包括对角卷积核、水平卷积核、竖直卷积核和普通卷积核；S2：采用特征差异性损失函数计算所述第一种神经网络特征提取模块和第二种神经网络特征提取模块提取到的图像缺陷特征之间的差异性损失，其中，所述差异性损失函数与所述两种神经网络特征提取模块的输出结果的差的平方或范数或散度成反比；S3：基于分割损失和所述差异性损失的加权构建训练函数；S4：采用所述训练函数对所述第一种神经网络特征提取模块、第二种神经网络提取模块、以及第一种神经网络特征提取模块和第二种神经网络提取模块提取的图像缺陷特征的融合解码过程进行训练，直至收敛，得到缺陷图像。2.根据权利要求1所述的缺陷检测方法，其特征在于，所述第一种神经网络特征提取模块包括多个边缘感知子模块，其中，相邻两边缘感知子模块之间设有最大池化层，对前一边缘感知子模块的输出结果进行降维。3.根据权利要求2所述的缺陷检测方法，其特征在于，当所述边缘感知子模块包括一种卷积核时，所述边缘感知子模块包括多个相连的第一卷积单元，每个第一卷积单元依次包括卷积核、批归一化层以及激活层；当所述边缘感知子模块包括多种卷积核时，所述边缘感知子模块包括多个通道，每个通道包括一种卷积核对应的第一卷积单元。4.根据权利要求1所述的缺陷检测方法，其特征在于，所述第二种神经网络特征提取模块包括多个组合卷积子模块，其中，相邻两组合卷积子模块之间设有最大池化层，以对前一组合卷积子模块的输出结果进行降维。5.根据权利要求4所述的缺陷检测方法，其特征在于，当所述组合卷积子模块包括一种卷积核时，所述组合卷积子模块包括多个相连的第二卷积单元，每个第二卷积单元依次包括卷积核、批归一化层以及激活层；当所述组合卷积子模块包括多种卷积核时，所述组合卷积子模块包括多个通道，每个通道包括一种卷积核对应的第二卷积单元。6.根据权利要求1所述的缺陷检测方法，其特征在于，所述特征差异性损失函数loss
diff
的计算式为：其中，N为一个批次中输入网络中的图像个数，b为输入网络中的第b个图像，α为调节参数，F1为第...

【专利技术属性】
技术研发人员：李斌，李威风，唐立新，张泽丰，牛通之，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：