System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种表面缺陷检测方法,特别涉及一种基于缺陷专注和边缘权重损失的表面缺陷检测方法,属于图像处理和表面缺陷检测。
技术介绍
1、目前,基于深度学习的表面缺陷检测方法主要以卷积神经网络(cnn)为基础。这些方法使用cnn来提取特征,然后对这些特征进行各种操作以实现缺陷检测。其中,一种常见的检测方法是使用特征记忆库。
2、特征记忆库方法的基本思路如下:首先,从一些正常样本中提取特征并将其保存到记忆库中。在训练或测试时,给定一个样本,计算该样本的特征与记忆库中所有特征的欧氏距离,从而生成一个距离分数图,图中每个分数代表当前空间位置特征的缺陷程度,可以将该分数图直接用于缺陷检测,或者作为先验图来增强原始特征。然而,这种方法存在一些不足之处。由于表面缺陷的种类多样,很多缺陷都伴随着强烈的背景干扰。背景干扰与正常部分之间的差异很大,因此代表背景干扰部分的特征所对应的欧氏距离往往很大。如果直接进行检测,可能会误将背景干扰部分误判为缺陷;如果作为缺陷先验用于增强特征,可能会同时增强缺陷和背景,从而减弱对缺陷的关注,导致误判。不管哪种方式都会降低最终的检测精度,不利于准确地缺陷检测。
技术实现思路
1、本专利技术的目的是克服上述不足而提供一种基于缺陷专注和边缘权重损失的表面缺陷检测方法,利用边缘权重损失来增强对缺陷区域的影响,同时使用可变形注意力进行缺陷专注,从而实现高精度定位的表面缺陷检测方法。
2、本专利技术采取的技术方案为:
3、基于缺陷专注和边缘
4、s1. 划分数据集:将缺陷检测数据划分为对照集、训练集和测试集;
5、s2. 构建记忆库核心子集:将对照集的所有样本输入特征提取网络获取多层特征,使用中间层的特征构建特征记忆库,使用聚类算法将记忆库分成多个簇,并保存所有簇中心作为核心子集用来代替整个记忆库,得到记忆库核心子集;
6、s3.将训练样本输入到特征提取网络提取多层特征,将提取的中间层特征采用最近邻算法与对应记忆库核心子集对比得到缺陷先验图,将缺陷先验图与和其对应的提取特征像素级相乘得到增强后的特征;将增强后的特征输入到可变形注意力中生成校正后的增强特征,对校正后的增强特征与提取的非中间层特征采用邻近特征融合,获得融合后特征图;
7、s4.分别计算校正后的增强特征图与融合后特征图的边缘权重损失,加和计算总损失,根据总损失训练网络(不包括特征提取网络);
8、s5.将测试集样本输入到训练好的模型中,通过特征提取网络提取多层特征,利用步骤s2生成的记忆库核心子集按照步骤s3所述的方法计算中间层的特征对应的缺陷先验图,再获得增强后的特征,将增强后的特征输入到可变形注意力中生成校正后的增强特征,对校正后的增强特征与测试集样本提取的非中间层特征采用邻近特征融合,将获得的融合后特征图上采样、降低通道、归一化得到最终的预测图。
9、上述方法中,步骤s1中将原始数据集中所有正常样本的1/5设置为对照集,剩余正常样本与缺陷样本按照3:1的比例分成训练集与测试集。
10、步骤s2、s3、s5中所述的特征提取网络采用resnet18。
11、上述方法中,步骤s2优选将每个核心子集中的特征数量设置为对应记忆库中总特征数量的5%。
12、步骤s3中优选将训练样本输入到特征提取网络提取四层特征 f 1- f 4,用中间两层的特征 f 2、 f 3采用最近邻算法分别在两个记忆库核心子集中搜索与其每个空间位置上的特征距离最近的特征,计算并保存对应的距离,将两个距离向量值sigmoid函数归一化和reshape操作得到两个缺陷先验图 dpi2、 dpi3。
13、步骤s3中可变形注意力首先将增强后的特征 f’ 输入到一个1×1卷积中得到查询 q,然后将查询输入到偏移量生成网络中得到参考点偏移量,根据增强后的特征的高度h与宽度w来生成网格参考点 ref, ref与分别表示参考点坐标以及对应的偏移量坐标,二者相加得到要采样的位置向量 pos,利用grid_sample函数根据位置向量 pos对输入增强后的特征图进行双线性插值映射,映射得到一个新的特征图 f’_sampled,将其输入到两个1×1卷积中,分别得到键 k,值 v两个向量,将 q、 k、 v维度reshape,经过可变形注意力得到的结果为 f’_output,计算 f’_output涉及的公式定义如下:
14、,
15、,
16、,
17、,
18、其中conv1×1表示1×1卷积, σ表示softmax函数, c表示特征通道数,将 f’_output维度reshape并输入到一个1×1卷积中,从而特征 f 2增强后的特征 f 2 ’ 输入到可变形注意力中最终生成校正后的增强特征 f 2 ’_output,特征 f 3增强后的特征 f 3 ’ 输入到可变形注意力中最终生成校正后的增强特征 f 3 ’_output。
19、步骤s3中所述的邻近特征融合是先按特征层次由低到高排列,再相邻特征两两融合,相邻特征间的融合按照高层特征上采样二倍与底层特征融合,同时将融合后的特征输入到一个3×3卷积块中,一轮融合得到的特征再进行排列、两两融合、输入卷积块直到得到一个融合特征图 f final。
20、步本文档来自技高网...
【技术保护点】
1.基于缺陷专注和边缘权重损失的表面缺陷检测方法,其特征是,包括步骤如下:
2.根据权利要求1所述的基于缺陷专注和边缘权重损失的表面缺陷检测方法,其特征是,步骤S1中将原始数据集中所有正常样本的1/5设置为对照集,剩余正常样本与缺陷样本按照3:1的比例分成训练集与测试集。
3.根据权利要求1所述的基于缺陷专注和边缘权重损失的表面缺陷检测方法,其特征是,步骤S2、S3、S5中所述的特征提取网络采用ResNet18。
4.根据权利要求1所述的基于缺陷专注和边缘权重损失的表面缺陷检测方法,其特征是,步骤S2将每个核心子集中的特征数量设置为对应记忆库中总特征数量的5%。
5.根据权利要求1所述的基于缺陷专注和边缘权重损失的表面缺陷检测方法,其特征是,步骤S3中将训练样本输入到特征提取网络提取四层特征F1-F4,用中间两层的特征F2、F3采用最近邻算法分别在两个记忆库核心子集中搜索与其每个空间位置上的特征距离最近的特征,计算并保存对应的距离,将两个距离向量值Sigmoid函数归一化和reshape操作得到两个缺陷先验图DPI2、DPI3。
...【技术特征摘要】
1.基于缺陷专注和边缘权重损失的表面缺陷检测方法,其特征是,包括步骤如下:
2.根据权利要求1所述的基于缺陷专注和边缘权重损失的表面缺陷检测方法,其特征是,步骤s1中将原始数据集中所有正常样本的1/5设置为对照集,剩余正常样本与缺陷样本按照3:1的比例分成训练集与测试集。
3.根据权利要求1所述的基于缺陷专注和边缘权重损失的表面缺陷检测方法,其特征是,步骤s2、s3、s5中所述的特征提取网络采用resnet18。
4.根据权利要求1所述的基于缺陷专注和边缘权重损失的表面缺陷检测方法,其特征是,步骤s2将每个核心子集中的特征数量设置为对应记忆库中总特征数量的5%。
5.根据权利要求1所述的基于缺陷专注和边缘权重损失的表面缺陷检测方法,其特征是,步骤s3中将训练样本输入到特征提取网络提取四层特征f1-f4,用中间两层的特征f2、f3采用最近邻算法分别在两个记忆库核心子集中搜索与其每个空间位置上的特征距离最近的特征,计算并保存对应的距离,将两个距离向量值sigmoid函数归一化和reshape操作得到两个缺陷先验图dpi2、dpi3。
6. 根据权利要求1所述的基于缺陷专注和边缘权重损失的表面缺陷检测方法,其特征是,步骤s3中可变形注意力首先将增强后的特征f’ 输入到一个1×1卷积中得到查询q,然后将查询输入到偏移量生成网络中得到参考点偏移量,根据增强后的特征的高度h与宽度w来生成网格参考点ref,ref与分别表示参考点坐标以及对应的偏移量坐标,二者相加得到要采样的位置向量pos,利用grid...
【专利技术属性】
技术研发人员:刘玉峰,孙启玉,孙平,杨公平,
申请(专利权)人:山东锋士信息技术有限公司,
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。