【技术实现步骤摘要】
本专利技术涉及图像处理，具体指一种基于视觉显著性的轻量化带钢表面缺陷检测方法。
技术介绍
1、带钢是造船、军工、建筑等相关领域中的重要材料。然而，由于生产技术和生产环境的原因，带钢表面常常会出现划痕、夹杂物、斑块等各种缺陷，对产品质量产生严重影响。因此，基于视觉显著性的带钢表面缺陷检测不仅具有非常重要的研究价值，同时也拥有广阔的应用前景。
2、显著目标检测旨在识别图像中最具视觉吸引力的区域，已被广泛应用于物体检测、图像分割、缺陷检测、图像压缩、弱监督分割等多个相关研究领域。带钢表面缺陷检测是显著目标检测的任务之一，可用于监测带钢产品质量。传统方法通常基于纹理特征、傅里叶理论、小波特征等。受限于手工创建的特征，传统方法在处理一些复杂的缺陷场景时无法呈现出良好的检测结果。在深度学习技术的帮助下，许多带钢表面缺陷检测模型已取得了令人鼓舞的成果。然而，相比于一般的显著目标检测任务，带钢表面缺陷检测面临着诸多难点，如缺陷样本匮乏、缺陷的可视性低、形状不规则、类型未知等，导致许多现有方法难以同时满足高精度、高速度的任务需求，因此在实现落地应用的道路上依然存在大量问题亟待解决。
3、目前已有的针对带钢表面缺陷检测的方法已经实现了高精度的检测结果，但是这些方法的性能严重依赖于高复杂度的计算。但是在实际部署时，需要考虑到计算时间和存储资源的开销。为了与实际生产制造或智能巡检同步运行，高速的、实时性的方法也应成为研究考虑的重点。目前为止，针对轻量化的带钢表面缺陷检测开展的工作尚未成熟，因此本专利技术主要针对轻量化带钢表面缺陷
技术实现思路
1、针对现有技术中存在的不足，本专利技术提出一种基于视觉显著性的轻量化带钢表面缺陷检测方法，该方法主要由编码器模块，多尺度卷积模块，解码器模块和可结构重参数的线性分支组成，通过对神经网络进行训练，得到最优参数，实现对带钢表面缺陷的高效的检测与分割。
2、为了解决上述技术问题，本专利技术的技术方案为：
3、一种基于视觉显著性的轻量化带钢表面缺陷检测方法，包括如下步骤：
4、s1、进行数据预处理，包含尺度统一和数据扩增。
5、s2、构建基于视觉显著性的轻量化带钢表面缺陷检测模型，所述缺陷检测模型包括编码器模块、多尺度卷积模块、解码器模块、预测头和可结构重参数的线性分支。
6、s2.1、通过编码器模块提取多尺度信息。
7、s2.2、将多尺度信息通过多尺度卷积模块扩大感受野，获取长距离依赖信息。
8、s2.3、基于长距离依赖信息，通过解码器模块逐层细化生成缺陷预测图，并通过结构重参数技术解耦训练与推理。
9、s3、训练构建好的基于视觉显著性的轻量化带钢表面缺陷检测模型。
10、s4、对轻量化带钢表面缺陷检测模型进行测试，输出缺陷检测结果，并与现有模型进行对比。
11、作为优选，步骤s2模型采用fpn式的编解码结构。所述编码器使用mobileone的前三个阶段作为前三个编码器块，并使用mobileone的第四和第五阶段作为第四个编码器块。这样，就可以获得四个编码器块，从而产生四个尺度的编码器特征。所述多尺度卷积模块为并行多分支结构作为解码器模块的一部分。所述解码器模块包括可结构重参数的1×1的卷积块和可结构重参数的多尺度卷积模块，所述结构重参数技术是在训练时为所有卷积配备了线性分支，包括3×3卷积加bn、1×1卷积加bn、和bn三种线性分支，三种线性分支并联组成块，在推理时线性分支被一个单独的卷积层吸收，实现高速推理。
12、作为优选，所述步骤s2编码器的具体方法：选择预训练的轻量级模型mobileone作为编码器，使用mobileone的前三个块作为前三个编码器块，并将mobileone的第四和第五块合并作为第四个编码器块。对于输入图像i∈r3×h×w(其中h,w是输入图像的长宽尺寸)，通过编码器模块，可以获得四级特征其中是特征的通道数，属于{48,48,128,256}。
13、作为优选，所述步骤s2多尺度卷积模块的具体方法：多尺度卷积模块使用n个并行的块提取多尺度特征，每一个块有k+2个可以结构重参数的线性分支包括k个3×3深度可分离膨胀卷积加bn、一个1×1卷积加bn、一个bn。n个块的3×3深度可分离卷积使用不同的膨胀率提取不同感受野的特征。
14、作为优选，所述步骤s2解码器的具体方法：解码器使用瓶颈结构，先使用一个可结构重参数的1×1卷积块(包括4并联的个1×1卷积加bn的线性分支)压缩通道数，降低多尺度卷积模块的参数量和计算量，然后经过多尺度卷积模块，再使用一个可结构重参数的1×1卷积块调整特征通道数与低级特征相同。解码器设置了四个解码器块，四个解码器块的输出逐级与四个编码器输出的多尺度编码器特征进行对应元素相加的融合，可以得到四级解码器的特征。当i＝2,3,4时，当i＝1时，
15、作为优选，所述步骤s3的具体方法：训练过程中，将最后一个编码器模块输出的特征输入一个简单的卷积预测头(3×3卷积加bn层加relu层加1×1卷积)，预测头中将结果通过双线性插值上采样进行放大，使其与输入数据具有相同的尺寸，后经过sigmoid函数将结果映射至0-1，得到预测图，通过计算预测图与gt图(真实图)的损失，观测损失值是否收敛来判断网络的训练过程。
16、本专利技术具有以下的特点和有益效果：
17、采用上述技术方案，采用编解码结构搭建轻量化的带钢表面缺陷检测模型，编码器使用轻量级的模型mobileone提取多尺度特征，解码器设计多尺度卷积模块扩大全局感受野。引入结构重参数技术，可以解耦模型训练阶段的多分支结构和推理阶段的简洁结构。特别的，训练阶段的多分支结构使我们的模型具有高效的缺陷区域表征，从而保证了良好的检测精度。同时，推理阶段的简洁结构保证了模型的检测速度。与现有的带钢缺陷检测方法相比，我们的方法实现了相当的检测精度、显著降低的模型大小和远超的检测速度。
本文档来自技高网...【技术保护点】
1.一种基于视觉显著性的轻量化带钢表面缺陷检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于视觉显著性的轻量化带钢表面缺陷检测方法，其特征在于，步骤2具体过程如下：
3.根据权利要求2所述的基于视觉显著性的轻量化带钢表面缺陷检测方法，其特征在于，步骤S2.1所述编码器模块采用FPN式的编解码结构；
4.根据权利要求3所述的基于视觉显著性的轻量化带钢表面缺陷检测方法，其特征在于，所述解码器模块包括可结构重参数的1×1的卷积块和可结构重参数的多尺度卷积模块；
5.根据权利要求4所述的基于视觉显著性的轻量化带钢表面缺陷检测方法，其特征在于，步骤S2.2所述多尺度卷积模块的具体为：多尺度卷积模块使用N个并行的块提取多尺度特征，每一个块有K+2个结构重参数的线性分支包括K个3×3深度可分离膨胀卷积加BN、一个1×1卷积加BN、一个BN；
6.根据权利要求5所述的基于视觉显著性的轻量化带钢表面缺陷检测方法，其特征在于，步骤S2.3所述解码器的具体为：解码器使用瓶颈结构，先使用一个可结构重参数的1×1卷积块压缩通道数，
7.根据权利要求6所述的基于视觉显著性的轻量化带钢表面缺陷检测方法，其特征在于，所述步骤S3的具体方法：训练过程中，将最后一个编码器模块输出的特征输入一个卷积预测头，预测头中将结果通过双线性插值上采样进行放大，使其与输入数据具有相同的尺寸，后经过sigmoid函数将结果映射至0-1，得到预测图，通过计算预测图与真实图的损失，观测损失值是否收敛判断网络的训练过程。
...【技术特征摘要】
1.一种基于视觉显著性的轻量化带钢表面缺陷检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于视觉显著性的轻量化带钢表面缺陷检测方法，其特征在于，步骤2具体过程如下：
3.根据权利要求2所述的基于视觉显著性的轻量化带钢表面缺陷检测方法，其特征在于，步骤s2.1所述编码器模块采用fpn式的编解码结构；
4.根据权利要求3所述的基于视觉显著性的轻量化带钢表面缺陷检测方法，其特征在于，所述解码器模块包括可结构重参数的1×1的卷积块和可结构重参数的多尺度卷积模块；
5.根据权利要求4所述的基于视觉显著性的轻量化带钢表面缺陷检测方法，其特征在于，步骤s2.2所述多尺度卷积模块的具体为：多尺度卷积模块使用n个并行的块提取多尺度特征，每一个块有k+2个结构重参数的线性...
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。