【技术实现步骤摘要】
工业缺陷检测方法和装置
[0001]本专利技术涉及缺陷检测
，具体涉及一种工业缺陷检测方法和一种工业缺陷检测装置。
技术介绍
[0002]在工业质检领域中，产品外观上的缺陷存在尺度变化多样、细微缺陷多、容易受到产品固有纹理的干扰等特点，往往很难提取出有效的特征对缺陷进行检测，导致缺陷的漏检率和误检率偏高；此外，在实际的工业生产现场需要采用时间复杂度低的算法来提高质检机器的检测效率。
[0003]然而，目前常用的目标检测算法，一方面难以对不同尺度的特征图未能有效地融合，网络提取的特征信息不足，对工业产品外观缺陷检测存在缺陷的漏检率和误检率偏高的问题；另一方面往往采用深度卷积神经网络进行特征提取，导致模型参数量大，从而影响生产效率。
技术实现思路
[0004]本专利技术为解决上述技术问题，提供了一种工业缺陷检测方法，能够同时对多尺度的特征进行双向融合，不仅能够提高特征利用率，还能够充分提取特征信息，从而能够提高缺陷检测性能，并能够降低缺陷检测的漏检率和误检率，此外，还能够在保证各项缺陷检测性能指标保持不变的情况下，大幅减少模型的参数量，从而能够提高质检的效率。
[0005]本专利技术采用的技术方案如下：一种工业缺陷检测方法，包括以下步骤：构建缺陷检测模型，其中，所述缺陷检测模型包括融入注意力机制的双向特征金字塔网络；获取待测工件的图像数据；标注增强所述图像数据；根据标注增强后的所述图像数据剪枝处理所述缺陷检测模型得到最终缺陷检测模型；根据所述最终缺陷检测模型检测所述待测工件。>[0006]根据本专利技术的一个实施例，所述缺陷检测模型为改进的YOLOX网络模型，所述改进的YOLOX网络模型的Backbone网络为Darknet53网络，所述改进的YOLOX网络模型的Neck网络为融入注意力机制的双向特征金字塔网络，所述改进的YOLOX网络模型的Yolo head网络为Decoupled head网络。
[0007]根据本专利技术的一个实施例，所述融入注意力机制的双向特征金字塔网络，包括第一SE（Squeeze
‑
and
‑
Excitation，通道注意力机制）模块、第二SE模块、第三SE模块、第四SE模块、第五SE模块、第一SE+UpSample模块、第二SE+UpSample模块、第一SE+Conv模块和第二SE+Conv模块，其中，所述第一SE+UpSample模块的特征输入端与所述Darknet53网络的第一特征输出端相连；所述第一SE模块的特征输入端与所述Darknet53网络的第二特征输出端相连，并且所述第一SE模块的特征输出端与所述第一SE+UpSample模块的特征输出端相连；所述第二SE+UpSample模块的特征输入端与所述第一SE模块的特征输出端相连；所述第二SE模块的特征输入端与所述Darknet53网络的第三特征输出端相连，并且所述第二SE模块
的特征输出端与所述第二SE+UpSample模块的特征输出端相连，以用于输出第一输出特征图；所述第三SE模块的特征输入端与所述Darknet53网络的第二特征输出端相连；所述第四SE模块的特征输入端与所述第一SE模块的特征输出端相连；所述第一SE+Conv模块的特征输入端用于输入所述第一特征输出图，并且所述第一SE+Conv模块的特征输出端还分别与所述第三SE模块的特征输出端和所述第四SE模块的特征输出端相连，以用于输出第二输出特征图；所述第五SE模块的特征输入端与所述Darknet53网络的第一特征输出端相连；所述第二SE+Conv模块的特征输入端用于输入所述第二特征输出图，并且所述第二SE+Conv模块的特征输出端与所述第五SE模块的特征输出端相连，以用于输出第三特征输出图。
[0008]根据本专利技术的一个实施例，所述根据标注增强后的所述图像数据剪枝处理所述缺陷检测模型得到最终缺陷检测模型，具体包括以下步骤：根据标注增强后的所述图像数据剪枝处理所述缺陷检测模型以得到所述缺陷检测模型的网络权重；采用范数正则化所述缺陷检测模型的损失函数以改进所述缺陷检测模型的损失函数；根据所述网络权重对改进损失函数后的所述缺陷检测模型进行稀疏训练直至模型收敛；根据稀疏训练后的所述缺陷检测模型的通道权值进行通道剪枝以得到所述最终缺陷检测模型。
[0009]根据本专利技术的一个实施例，所述根据稀疏训练后的所述缺陷检测模型的通道权值进行通道剪枝以得到最终缺陷检测模型，具体包括以下步骤：判断稀疏训练后的所述缺陷检测模型的各个通道的权值是否小于参考阈值；若是，则剪除对应通道；根据标注增强后的所述图像数据训练通道剪枝后的所述缺陷检测模型直至模型收敛，从而得到所述最终缺陷检测模型。
[0010]根据本专利技术的一个实施例，所述缺陷检测模型改进的损失函数为：其中，x为训练输入数据，y为训练输入数据的标签，W为所述缺陷检测模型的待训练参数，f为所述缺陷检测模型的预测函数，l为所述缺陷检测模型的原损失函数，g(.)为所述缺陷检测模型的缩放因子的惩罚项，其中，所述缺陷检测模型的缩放因子为所述缺陷检测模型中BN（Batch Normalization，批归一化）层的γ参数，λ为所述惩罚项的平衡因子。
[0011]一种工业缺陷检测装置，包括：建模模块，所述建模模块用于构建缺陷检测模型，其中，所述缺陷检测模型包括融入注意力机制的双向特征金字塔网络；获取模块，所述获取模块用于获取待测工件的图像数据；处理模块，所述处理模块用于标注增强所述图像数据；训练模块，所述训练模块用于根据标注增强后的所述图像数据剪枝处理所述缺陷检测模型得到最终缺陷检测模型；检测模块，所述检测模块用于根据所述最终缺陷检测模型检测所述待测工件。
[0012]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述实施例所述的工业缺陷检测方法。
[0013]一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所述的工业缺陷检测方法。
[0014]本专利技术的有益效果如下：1）、本专利技术能够同时对多尺度的特征进行双向融合，不仅能够提高特征利用率，还
能够充分提取特征信息，从而能够提高缺陷检测性能，并能够降低缺陷检测的漏检率和误检率；2）、本专利技术能够在保证各项缺陷检测性能指标保持不变的情况下，大幅减少模型的参数量，从而能够提高模型的推理速度，进而能够提高质检的效率。
附图说明
[0015]图1为本专利技术实施例的工业缺陷检测方法的流程图；图2为本专利技术一个实施例的缺陷检测模型的结构示意图；图3为本专利技术一个实施例的融入注意力机制的双向特征金字塔网络的结构示意图；图4为本专利技术一个实施例的通道注意力机制网络结构示意图；图5为本专利技术一个实施例的通道剪枝过程示意图；图6为本专利技术实施例的工业缺陷检测装置的方框示意图。
具体实施方式
[0016]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种工业缺陷检测方法，其特征在于，包括以下步骤：构建缺陷检测模型，其中，所述缺陷检测模型包括融入注意力机制的双向特征金字塔网络；获取待测工件的图像数据；标注增强所述图像数据；根据标注增强后的所述图像数据剪枝处理所述缺陷检测模型得到最终缺陷检测模型；根据所述最终缺陷检测模型检测所述待测工件。2.根据权利要求1所述的工业缺陷检测方法，其特征在于，所述缺陷检测模型为改进的YOLOX网络模型，所述改进的YOLOX网络模型的Backbone网络为Darknet53网络，所述改进的YOLOX网络模型的Neck网络为融入注意力机制的双向特征金字塔网络，所述改进的YOLOX网络模型的Yolo head网络为Decoupled head网络。3.根据权利要求2所述的工业缺陷检测方法，其特征在于，所述融入注意力机制的双向特征金字塔网络，包括第一SE模块、第二SE模块、第三SE模块、第四SE模块、第五SE模块、第一SE+UpSample模块、第二SE+UpSample模块、第一SE+Conv模块和第二SE+Conv模块，其中，所述第一SE+UpSample模块的特征输入端与所述Darknet53网络的第一特征输出端相连；所述第一SE模块的特征输入端与所述Darknet53网络的第二特征输出端相连，并且所述第一SE模块的特征输出端与所述第一SE+UpSample模块的特征输出端相连；所述第二SE+UpSample模块的特征输入端与所述第一SE模块的特征输出端相连；所述第二SE模块的特征输入端与所述Darknet53网络的第三特征输出端相连，并且所述第二SE模块的特征输出端与所述第二SE+UpSample模块的特征输出端相连，以用于输出第一输出特征图；所述第三SE模块的特征输入端与所述Darknet53网络的第二特征输出端相连；所述第四SE模块的特征输入端与所述第一SE模块的特征输出端相连；所述第一SE+Conv模块的特征输入端用于输入所述第一特征输出图，并且所述第一SE+Conv模块的特征输出端还分别与所述第三SE模块的特征输出端和所述第四SE模块的特征输出端相连，以用于输出第二输出特征图；所述第五SE模块的特征输入端与所述Darknet53网络的第一特征输出端相连；所述第二SE+Conv模块的特征输入端用于输入所述第二特征输出图，并且所述第二SE+Conv模块的特征输出端与所述第五SE模块的特征输出端相连，以用于输出...
【专利技术属性】
技术研发人员：徐超，张志琦，赵何，
申请(专利权)人：江苏智云天工科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。