基于流扭曲的表面缺陷区域分割方法、装置及电子设备制造方法及图纸

本申请涉及一种基于流扭曲的表面缺陷区域分割方法、装置及电子设备，属于缺陷检测技术领域，本申请中的基于流扭曲的表面缺陷区域分割方法，包括：获取目标表面图像；利用训练好的分割网络模型对目标表面图像进行缺陷区域分割处理；其中，分割网络模型的网络结构中，具有将图像的跨尺度特征进行空间一致性约束的流扭曲模块。本申请的技术方案，通过在分割网络模型中配置流扭曲模块，对分割预测处理过程中图像的跨尺度特征进行空间一致性约束，从而减少了不同网络层级特征的空间不一致，可获得更优的特征融合，从而有利于缺陷区域分割精度的提升。的提升。的提升。

【技术实现步骤摘要】
基于流扭曲的表面缺陷区域分割方法、装置及电子设备


[0001]本申请属于缺陷检测
，具体涉及一种基于流扭曲的表面缺陷区域分割方法、装置及电子设备。

技术介绍

[0002]近年来，在工件表面缺陷检测相关技术中，基于深度学习语义分割算法的工件表面缺陷区域分割取得快速发展。现有代表性方法采用U
‑
Net等编码器
‑
解码器架构、或者DeeplabV3等方法，通过融合图像的底层空间细节和高层判别语义等多层级特征实现多尺度特征的有效融合，或者通过不同感受野范围的膨胀卷积金字塔，聚合不同距离范围的上下文信息，实现对缺陷区域的分割预测。
[0003]现有相关方法在对图像的多尺度特征提取和融合方面取得了进展，但忽略了一个基本而又重要的问题：即不同网络层级的跨尺度特征没有施加空间一致性约束，使得不同网络层级的特征之间存在空间不一致的问题，从而增大了不同网络层级特征之间的差异，并增加了同一网络层级内特征的相似度，从而影响了缺陷区域分割的精度。
[0004]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于流扭曲的表面缺陷区域分割方法，其特征在于，包括：获取目标表面图像；利用训练好的分割网络模型对所述目标表面图像进行缺陷区域分割处理；其中，所述分割网络模型的网络结构中，具有将图像的跨尺度特征进行空间一致性约束的流扭曲模块。2.根据权利要求1所述的表面缺陷区域分割方法，其特征在于，所述流扭曲模块被配置为：对输入模块的最浅层特征进行1*1卷积，得到第一卷积操作结果，以及对输入模块的各深层特征分别进行上采样，并对采样结果相应进行K*K卷积，得到与各所述深层特征相应的第二卷积操作结果；根据所述第一操作卷积结果和各所述第二卷积操作结果进行扭曲映射操作，并基于操作得到的扭曲映射像素权值对所述深层特征中最深层特征进行引导上采样，得到引导上采样后特征；将所述引导上采样后特征和所述最浅层特征进行逐像素加和处理，将处理后的结果作为模块的输出。3.根据权利要求2所述的表面缺陷区域分割方法，其特征在于，所述K*K卷积的配置规则为：在不同的输入情况下，所述K的取值使所述第一操作卷积结果和相应所述第二操作卷积结果的分辨率相同。4.根据权利要求3所述的表面缺陷区域分割方法，其特征在于，采用逐像素相加的方式进行所述扭曲映射操作。5.根据权利要求2所述的表面缺陷区域分割方法，其特征在于，基于以下表达式进行所述引导上采样：其中，Q
11
、Q
12
、Q
21
、Q
22
表示已知点，（x,y）表示要插入的点，w
11
、w
12
、w
21
、w
22
分别表示相应已知点的扭曲映射像素权值。6.根据权利要求1至5中任一项所述的表面缺陷区域分割方法，其特征在于，所述分割网络模型基于HRNet网...

【专利技术属性】
技术研发人员：李朋超，杨庆泰，蔡丽蓉，
申请(专利权)人：北京矩视智能科技有限公司，
类型：发明
国别省市：