成像设备定位靶标缺陷的检测方法、图像分割模型和装置制造方法及图纸

本发明专利技术公开了一种成像设备定位靶标缺陷的检测方法、图像分割模型和装置，其中，成像设备定位靶标缺陷的检测方法包括：获取定位靶标的原始图像；原始图像输入图像分割模型，图像分割模型包括编码器、解码器、多尺度全局上下文模块和多尺度连续融合模块；原始图像输入编码器，以获得中间下采样分辨率特征图和末层下采样分辨率特征图；中间下采样分辨率特征图输入多尺度全局上下文模块，以获得全局上下文注意力特征图；全局上下文注意力特征图和末层下采样分辨率特征图输入多尺度连续融合模块，以获得末层下采样分辨率特征图融合有全局上下文注意力特征图的融合特征图。本发明专利技术的方法提高了定位靶标缺陷检测的准确性，减少了计算量和模型复杂度。

【技术实现步骤摘要】

本专利技术涉及图像处理，尤其是涉及一种成像设备定位靶标缺陷的检测方法、图像分割模型和检测装置。

技术介绍

1、目前。针对成像设备定位靶标缺陷检测，主要包括传统图像处理方法、传统机器学习方法和深度学习方法。其中，传统图像处理方法包括阈值分割、边缘检测、形态学操作等。传统机器学习方法可以采用一些算法例如支持向量机(svm)、随机森林(random forest)等进行成像设备定位靶标缺陷检测。深度学习技术可以利用深度卷积神经网络(cnn)如unet、fcn等进行成像设备定位靶标缺陷检测。

2、然而，这些方法均存在一定的局限性，传统的图像处理方法在处理复杂的图像结构和变化多样的缺陷时，可能缺乏足够的鲁棒性和准确性。传统机器学习方法需要手工提取特征并训练分类器，这在处理图像中的复杂纹理和结构时可能面临挑战。深度学习方法如unet在成像设备定位靶标缺陷检测方面具有良好的性能，但其计算资源消耗较大，模型结构复杂。这意味着在资源受限的环境下，如嵌入式设备或实时应用中，运行大型深度学习模型可能会面临困难。

技术实现思路...

【技术保护点】

1.一种成像设备定位靶标缺陷的检测方法，其特征在于，包括：

2.根据权利要求1所述的检测方法，其特征在于，所述多尺度连续融合模块包括多个最大池化模块、多个叠加模块和通道缩减模块，

3.根据权利要求1所述的检测方法，其特征在于，所述多尺度全局上下文模块包括第一归一化模块、Token_mixer模块、第二归一化模块和Channel_mixer模块；

4.根据权利要求3所述的检测方法，其特征在于，所述Token_mixer模块包括第一分支单元、第二分支单元、第一DWConv单元和第一Conv单元；

5.根据权利要求3所述的检测方法，其特征在于，所...

【技术特征摘要】

1.一种成像设备定位靶标缺陷的检测方法，其特征在于，包括：

2.根据权利要求1所述的检测方法，其特征在于，所述多尺度连续融合模块包括多个最大池化模块、多个叠加模块和通道缩减模块，

3.根据权利要求1所述的检测方法，其特征在于，所述多尺度全局上下文模块包括第一归一化模块、token_mixer模块、第二归一化模块和channel_mixer模块；

4.根据权利要求3所述的检测方法，其特征在于，所述token_mixer模块包括第一分支单元、第二分支单元、第一dwconv单元和第一conv单元；

5.根据权利...

【专利技术属性】
技术研发人员：付皓宇，
申请(专利权)人：合肥芯碁微电子装备股份有限公司，
类型：发明
国别省市：