一种基于重构网络的物体表面缺陷检测方法及系统技术方案

本发明专利技术公开了一种基于重构网络的物体表面缺陷检测方法及系统，采用ConvNeXt block搭建网络模型；向搭建的网络模型中引入通道注意力机制模块，得到基于ConvNeXt block和通道注意模块的U

【技术实现步骤摘要】
一种基于重构网络的物体表面缺陷检测方法及系统


[0001]本专利技术属于质量控制
，具体涉及一种基于重构网络的物体表面缺陷检测方法及系统。

技术介绍

[0002]机器视觉广泛应用于工业检测、医疗应用和视频监控技术，利用机器视觉来对物体表面缺陷进行检测大大提高了生产效率并降低了工业成本。
[0003]视觉检测中，传统的缺陷检测通常的流程分为四步，分别是：图像预处理、图像分割、图像特征提取以及表面缺陷目标识别。但是实际检测过程中，检测系统通常会受到环境、光照等因素的影响，因而会导致检测精度的大大降低；同时，缺陷出现的形式往往是多样的，且不同检测对象中缺陷种类也往往大不相同，因此缺陷特征提取的有效性较低，难以找到标准的样本图像作为参考，从而给检测带来极大的困难；在工厂检测过程中，数据量庞大，特征空间的维度也很高，算法对从海量数据中提取有效的缺陷信息能力不足。随着深度学习的出现，学者们提出了基于深度学习的缺陷检测方案，可以更好的解决传统检测算法带来的问题，主要有监督和无监督两种方法。由于在大多数实际场景中，表面缺陷样本通常很难获得，并且表本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于重构网络的物体表面缺陷检测方法，其特征在于，包括以下步骤：采用ConvNeXt block搭建网络模型；向搭建的网络模型中引入通道注意力机制模块，得到基于ConvNeXt block和通道注意模块的U
‑
net网络模型；基于得到的U
‑
net网络模型，设置损失函数；对U
‑
net网络模型进行训练，保存训练生成的权重文件；将权重文件加载到U
‑
net网络模型中，再将带有掩码的图像输入到加载权重文件的U
‑
net网络模型中，根据异常检测函数GMS实现异常定位，完成缺陷检测。2.根据权利要求1所述的基于重构网络的物体表面缺陷检测方法，其特征在于，利用ConvNeXt block搭建的网络模块包括深度可分离卷积层，全链接层，Layer Norm，以及GELU激活函数，同时引入通道注意力机制模块。3.根据权利要求1所述的基于重构网络的物体表面缺陷检测方法，其特征在于，基于ConvNeXt block和通道注意模块的U
‑
net网络模型具体为：使用2
×
2conv层和步幅为2进行空间下采样；采用ConvNeXt block获得特征图，在空间分辨率发生变化的地方添加层归一化LN和激活函数GELU，通过通道注意力机制模块实现通道的重新校准，同时跳跃链接。4.根据权利要求3所述的基于重构网络的物体表面缺陷检测方法，其特征在于，通道注意力机制模块重新校准后重新激活调整的U得的输出X中的第c个特征图如下：其中，F
s
(u
c
,s
c
)为比例因子矢量和特征图之间的通道乘法，指的是特征图。5.根据权利要求4所述的基于重构网络的物体表面缺陷检测方法，其特征在于，比例因子向量s计算如下：s＝σ(W2·
δ(W1·
z))其中，δ为ReLU函数，σ为si...

【专利技术属性】
技术研发人员：李兵，杜肖，赵卓，刘桐坤，蒋冰克，金霄，金柳亦，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：