一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法技术

本发明专利技术公开了一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法，包括构建轻量化YOLOX检测模型，引入多尺度特征融合注意力模块，并利用数据集对检测模型行迭代训练，在收敛后选取精度最高的检测模型作为带钢表面缺陷检测模型，其中，将YOLOX主干特征提取网络Darknet替换为CSPDarknet，并通过K*1和1*K的深度可分离卷积核代替用于特征提取的K*K普通卷积核，在不影响精度的情况下提高了检测速度，另外，通过添加多尺度特征融合注意力模块，提高模型的检测精度，尤其是对小目标的检测精度，从收敛后的模型中选取精度最高的模型作为最终模型，实现了高速、准确且鲁棒的带钢表面缺陷检测。缺陷检测。缺陷检测。

【技术实现步骤摘要】
一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法


[0001]本专利技术涉及计算机视觉
，具体为一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法。

技术介绍

[0002]扁钢的应用范围相当广，在工业领域的需求量很大。在过去的几十年中，基于机器视觉的自动表面检测系统(Automated Surface Inspection System,ASIS)作为一种非接触、非破坏性和全自动的解决方案，得到了广泛的关注，用以辅助或代替传统检测仪。为了减少人工成本、提高检测效率，基于深度学习的检测算法代替了传统方式。深度学习技术已应用于解决许多挑战性的计算机视觉任务，如城市交通、多目标检测、医学图像分割等。深度神经网络的多层结构相较于手工方式，所有特征都是自动提取的，有更强大的特征提取性能。基于深度学习的目标检测算法有两类：双阶段和单阶段。双阶段网络分为生成建议区域和图像分类两个步骤，检测精度较高。常用的双阶段目标检测算法有R
‑
CNN、Fast R
‑
CNN、Faster R
‑/>CNN、SPPN本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法，其特征在于，包括如下步骤：S1、构建标注有待检测带钢表面缺陷的数据集；S2、将YOLOX主干特征提取网络Darknet替换为CSPDarknet，调整其中残差模块的重复次数，并通过深度可分离卷积和低秩分解压缩残差模块的参数量和计算量，构建轻量化的检测模型；S3、将多尺度特征融合注意力模块添加至检测模型中；S4、利用数据集对检测模型行迭代训练，在收敛后选取精度最高的检测模型作为带钢表面缺陷检测模型。2.根据权利要求1所述的一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法，其特征在于：在步骤S1中，获取钢材表面缺陷检测数据集图像；提取数据集全图的平均灰度值，对图像周围进行灰度填充，将像素值由200*200填充至416*416；对数据集中标签进行适配，根据填充操作生成对应标签。3.根据权利要求1所述的一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法，其特征在于：在步骤S2中，包括CSP1
‑
CSP5五个CSP结构，其中，调整五个CSP结构中残差模块的重复次数：将残差块的重复次数由1、2、8、8、4调整为1、1、3、3、1；并将四个CSP模块的输出通道数缩放至原来的0.375倍，分别为48、96、192、384。4.根据权利要求1所述的一种多尺度特征融合注意力的轻量带钢表面缺陷检测方法，其特征在于：在步骤S2中，每个残差模块中，采用一个卷积层作为瓶颈来调整通道数，并通过K*1和1*K的深度...

【专利技术属性】
技术研发人员：周锋，吴瑞琦，李楠，郭乃宏，王如刚，
申请(专利权)人：盐城工学院，
类型：发明
国别省市：