【技术实现步骤摘要】
本专利技术涉及缺陷检测，尤其涉及一种基于深度学习的表面缺陷检测方法。
技术介绍
1、表面缺陷是普遍存在的，高效准确地进行表面缺陷检测对于保障产品质量、增强产品的安全性和稳定性至关重要。目前，表面缺陷检测现有技术主要可以分为三类：人工检测方法、基于图像处理的检测方法、基于深度学习的检测方法。
2、人工检测方法通常需要操作员肉眼或使用辅助工具对产品进行检测，主要包括目视检测、触摸检测和荧光检测等方法。人工表面缺陷检测方法存在一系列明显的缺陷和限制，如：人工表面缺陷检测方法通常依赖于操作员的主观判断，不同的操作员可能会对相同的缺陷有不同的识别和分类，这会导致不一致性和可信度问题；人工检测需要训练有素的操作员，并且通常需要大量的人力资源，这会导致成本增加；人工检测还限制于可见性、不适用于微小缺陷。这些问题在大规模生产和高速生产线等现代制造环境中尤为突出。因此，越来越多的行业和应用正在采用自动化和计算机视觉技术，以提高表面缺陷检测的效率、准确性和一致性，克服传统人工检测方法的限制。
3、基于图像处理的表面缺陷检测方法根据所提取的特征可以分为三个类别分别是统计法、滤波法和模型法。统计法的基本思想是通过分析表面纹理的统计特征来检测缺陷，统计法依赖于对待检测区域的图像进行特征提取和分析，然后与正常区域或标准模型的统计特征进行比较。滤波法是利用各种滤波器或滤波操作来提取表面纹理的特征，并通过比较滤波后的结果来检测缺陷。基于模型的方法通过建立正常和缺陷样本之间的模型来进行检测。该方法通过训练模型来学习样本的特征和模式，并使用
4、由于在现代工业生产中需要更高效、自动化和精确的缺陷检测方法，以适应高速生产线、多样化的产品和复杂的缺陷类型。并且，工业生产中生产环境愈加的复杂。因此，人工检测方法和基于图像处理的表面缺陷检测方法渐渐无法满足现代工业生产的要求。基于深度学习模型的表面缺陷检测方法可以根据其学习方式分为有监督学习、无监督学习和其他方法。有监督学习方法通常使用卷积神经网络(cnn)等模型，通过大量标注的正常和缺陷图像的训练，使模型能够自动识别和分类不同类型的缺陷。这种方法的优势在于其高准确性和对多样性缺陷的适应性，但需要大量标注数据。无监督学习方法包括自编码器和生成对抗网络(gan)。自编码器通过学习图像的压缩表示并通过重构图像来检测缺陷。生成对抗网络则可以生成具有真实感的图像，缺陷检测可以通过比较生成的图像和实际图像来实现，从而发现图像中的异常之处。这些方法不依赖于大量标注数据，适用于标注数据有限的情况，但通常需要更多的计算资源和训练时间。此外，还有其他方法，如强化学习，它可以用于根据反馈信号逐步改进缺陷检测策略，特别适用于复杂的缺陷检测任务；迁移学习是将已经训练好的模型的知识应用于新的缺陷检测任务，尤其在新任务的数据集较小或标注成本较高时有用；多模态融合方法允许同时考虑来自不同传感器或模态的数据，以提高缺陷检测的性能，例如结合图像和声音数据。虽然随着硬件的不断提升和深度学习的不断发展，基于深度学习的表面缺陷检测方法越来越适合工业生产。但是，由于模型复杂，计算资源限制和数据量不足等原因，导致无法实现处理速度和检测精度无法共存的问题是依然存在的。
技术实现思路
1、为了解决在实现快速表面缺陷检测的同时提高检测精度的问题，本专利技术提出了一种基于深度学习的表面缺陷检测方法，相较于传统方法能够自动学习特征，减少了对手动特征工程的需求，具有更好的适应性和学习能力，基于深度学习的表面缺陷检测方法可用于工业制造等领域。
2、为实现上述目的，本专利技术提供了一种基于深度学习的表面缺陷检测方法，包括：
3、对待检测的产品图像进行处理，并对处理后的待检测产品图像进行特征提取，获取产品图像特征图；
4、基于头部网络对所述产品图像特征图进行处理，获得带有表面缺陷的图像的高级特征；
5、通过解耦式检测头根据所述高级特征进行检测，对生成的检测结果进行解码，获得最终的检测结果。
6、优选地，利用主干网络获取所述产品图像特征图，其中，所述主干网络包括cbs模块一、cst模块、mp模块一、fasternet模块一和elan模块，所述cbs模块一、cst模块、mp模块一、fasternet模块一和elan模块依次连接；
7、其中，所述cbs模块一包括卷积层、批量归一化层和激活函数层，用于对不同尺度的图像特征进行提取；
8、所述cst模块包括卷积层和swin transformer层，用于增强特征提取效果；
9、所述mp模块一包括最大池化层和卷积层，用于缩减特征图的尺寸，减少运算量和参数量，加快计算速度并防止过拟合；
10、所述fasternet模块一包括pconv层和pwconv层，用于减少模型计算量及参数，加快模型运行速度；
11、所述elan模块包括两条分支结构，用于使网络获取更多特征及具有更好的鲁棒性。
12、优选地，所述cst模块的提取过程为：首先使用两个并行的卷积调整输入特征图的通道数，获得两个输出，其中一个输出作为所述swin transformer层的输入，所述swintransformer层捕获输入特征图的全局特征信息，拼接两个输出得到最终特征图；其中，所述swin transformer层采用窗口化自注意力机制，将输入特征图分成若干局部窗口，在每个窗口内执行自注意力计算。
13、优选地，所述mp模块一的提取过程包括：上半部分为经过最大池化层进行下采样，然后再经过一个1x1的卷积进行通道数的改变；下半部分则是先经过一个1x1的卷积做通道数的变化，然后再经过一个3x3卷积核、步长为2的卷积块，进行下采样，将最终结果叠加。
14、优选地，所述fasternet模块一的提取过程为：基于所述pconv层以特征图为输入，对输入特征图的部分通道进行卷积操作，之后传入所述pwconv层中在通道维度上执行逐点操作进行特征提取。
15、优选地，所述elan模块的两条分支结构的提取过程为：
16、分支结构一：经过1x1的卷积做通道数的变化；
17、分支结构二：经过1x1的卷积做通道数的变化，再经过四个3x3的卷积做特征提取，最后将获得的四个特征进行叠加。
18、优选地，所述头部网络包括cbs模块二、sppcspc模块、upsample模块、fasternet模块二、mp模块二、repconv模块以及解耦式检本文档来自技高网...
【技术保护点】
1.一种基于深度学习的表面缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的表面缺陷检测方法，其特征在于，利用主干网络获取所述产品图像特征图，其中，所述主干网络包括CBS模块一、CST模块、MP模块一、FasterNet模块一和ELAN模块，所述CBS模块一、CST模块、MP模块一、FasterNet模块一和ELAN模块依次连接；
3.根据权利要求2所述的基于深度学习的表面缺陷检测方法，其特征在于，所述CST模块的提取过程为：首先使用两个并行的卷积调整输入特征图的通道数，获得两个输出，其中一个输出作为所述Swin Transformer层的输入，所述Swin Transformer层捕获输入特征图的全局特征信息，拼接两个输出得到最终特征图；其中，所述Swin Transformer层采用窗口化自注意力机制，将输入特征图分成若干局部窗口，在每个窗口内执行自注意力计算。
4.根据权利要求3所述的基于深度学习的表面缺陷检测方法，其特征在于，所述MP模块一的提取过程包括：上半部分为经过最大池化层进行下采样，然后再经过一个1x1的卷
5.根据权利要求4所述的基于深度学习的表面缺陷检测方法，其特征在于，所述FasterNet模块一的提取过程为：基于所述PConv层以特征图为输入，对输入特征图的部分通道进行卷积操作，之后传入所述PWConv层中在通道维度上执行逐点操作进行特征提取。
6.根据权利要求5所述的基于深度学习的表面缺陷检测方法，其特征在于，所述ELAN模块的两条分支结构的提取过程为：
7.根据权利要求1所述的基于深度学习的表面缺陷检测方法，其特征在于，所述头部网络包括CBS模块二、SPPCSPC模块、Upsample模块、FasterNet模块二、MP模块二、RepConv模块以及解耦式检测头，所述CBS模块二、SPPCSPC模块、Upsample模块、FasterNet模块二、MP模块二、RepConv模块以及解耦式检测头依次连接；
8.根据权利要求7所述的基于深度学习的表面缺陷检测方法，其特征在于，基于所述头部网络对所述产品图像特征图进行处理，包括：
9.根据权利要求8所述的基于深度学习的表面缺陷检测方法，其特征在于，通过所述解耦式检测头根据所述高级特征进行检测，包括：
10.根据权利要求1所述的基于深度学习的表面缺陷检测方法，其特征在于，所述方法采用EIoU损失函数：
...【技术特征摘要】
1.一种基于深度学习的表面缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的表面缺陷检测方法，其特征在于，利用主干网络获取所述产品图像特征图，其中，所述主干网络包括cbs模块一、cst模块、mp模块一、fasternet模块一和elan模块，所述cbs模块一、cst模块、mp模块一、fasternet模块一和elan模块依次连接；
3.根据权利要求2所述的基于深度学习的表面缺陷检测方法，其特征在于，所述cst模块的提取过程为：首先使用两个并行的卷积调整输入特征图的通道数，获得两个输出，其中一个输出作为所述swin transformer层的输入，所述swin transformer层捕获输入特征图的全局特征信息，拼接两个输出得到最终特征图；其中，所述swin transformer层采用窗口化自注意力机制，将输入特征图分成若干局部窗口，在每个窗口内执行自注意力计算。
4.根据权利要求3所述的基于深度学习的表面缺陷检测方法，其特征在于，所述mp模块一的提取过程包括：上半部分为经过最大池化层进行下采样，然后再经过一个1x1的卷积进行通道数的改变；下半部分则是先经过一个1x1的卷积做通道数的变化，然后再经过一个3x3卷积核、步长为2的卷积块，进行下采样，将最终结果叠加。<...
【专利技术属性】
技术研发人员：吴剑青，谢扬，杨书新，黄伟东，王碧，曾博文，
申请(专利权)人：江西理工大学，
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。