【技术实现步骤摘要】
本专利技术属于深度学习，具体涉及一种基于深度学习的多尺度表面缺陷检测方法。
技术介绍
1、质量检测是制造业生产流程中不可或缺的环节，将当下最先进的技术应用到质量检测任务中具有重大的现实意义，也是工业迅速发展的必然要求。随着我国科研在深度学习方向的不断深入，越来越多的新思路新方法不断涌现，但在工业产品表面缺陷检测这一任务中仍然高度依赖人工和传统方法，且由于人工质检存在很大的经验偏差，传统方法检测能力单一等问题，导致检测效率低、无法适应更复杂的检测需求等问题的出现。因此，如何将当下最先进的技术应用到工业产品表面缺陷检测任务中以提升检测能力和检测效率是质检自动化发展亟待解决的问题。
2、现有技术中，基于深度学习的表面缺陷检测方法以单阶段目标检测器为主，该方法将工业产品表面的缺陷作为目标，对目标的位置和类别分别进行编码后，将计算缺陷类别和对应的坐标框绑定视作一个回归问题来处理。具体而言，输入待检测产品的图像，经过检测器神经网络的计算得到一组向量，该向量包含了检测出的所有缺陷的类别和坐标框位置信息，接着通过非极大值抑制算法来去除重复的、冗余的目标，最终得到检测结果，可用于后续的逻辑判断等。
3、然而，上述方法中因常规神经网络小卷积核堆叠而导致特征图的实际有效感受野较小，对大尺度目标的特征提取能力很弱，因此检测效果不理想，并且精度较高的神经网络模型参数量往往较大，在工业场景边缘计算设备上对内存要求很高，不具备普适性。
技术实现思路
1、为了解决现有技术中存在的上述问题，
2、本专利技术提供一种基于深度学习的多尺度表面缺陷检测方法，包括：
3、获取待检测图像；
4、将所述待检测图像输入预先训练好的缺陷检测模型，以使所述缺陷检测模型执行以下步骤：
5、利用特征提取主干网络依次对待检测图像进行第一阶段、第二阶段、第三阶段和第四阶段的特征提取，并基于第四阶段的特征信息生成第一特征图；
6、将第二阶段的特征信息作为低层特征图、将第三阶段的特征信息作为中层特征图、将所述第一特征图作为高层特征图后，利用路径聚合特征金字塔网络通过从低到高及从高到低的两个通路对所述低层特征图、所述中层特征图和所述高层特征图进行聚合，得到聚合后的低层特征图、聚合后的中层特征图以及聚合后的高层特征图；
7、利用级联的多个动态头模块，计算聚合后的低层特征图、聚合后的中层特征图、聚合后的高层特征图对应的低层通道注意力特征图、中层通道注意力特征图和高层通道注意力特征图；
8、将所述低层通道注意力特征图、所述中层通道注意力特征图和所述高层通道注意力特征图分别输入动态解耦检测头网络中的第一解耦头、第二解耦头和第三解耦头，获得所述待检测图像中不同尺度缺陷的检测结果。
9、在本专利技术的一个实施例中，利用特征提取主干网络依次对待检测图像进行第一阶段、第二阶段、第三阶段和第四阶段的特征提取，并基于第四阶段的特征信息生成第一特征图的步骤，包括：
10、将4倍下采样后的待检测图像输入第一特征提取模块，得到第一阶段的特征信息；
11、对所述第一阶段的特征信息进行2倍下采样后输入第二特征提取模块，得到第二阶段的特征信息；
12、对所述第二阶段的特征信息进行2倍下采样后输入第三特征提取模块，得到第三阶段的特征信息；
13、对所述第三阶段的特征信息进行2倍下采样后输入第四特征提取模块，得到第四阶段的特征信息；
14、将所述第四阶段的特征信息输入快速空间金字塔池化模块，得到第一特征图。
15、在本专利技术的一个实施例中，所述第一特征提取模块包括依次连接的两个常规卷积模块，所述第二特征提取模块包括依次连接的两个大核卷积模块，所述第三特征提取模块包括依次连接的六个大核卷积模块，所述第四特征提取模块包括依次连接的两个大核卷积模块；其中，
16、所述大核卷积模块包括依次连接的膨胀可重参数化卷积层、第一批归一化层、缩展单元、全连接前馈神经网络和第二批归一化层。
17、在本专利技术的一个实施例中，所述缩展单元包括依次连接的全局池化层、第一全连接层、第一relu激活层、第二全连接层和sigmoid激活层，其中，第一全连接层用于对自身输入进行下采样，第二全连接层用于对自身输入进行上采样；
18、所述缩展单元还包括乘法器，用于将sigmoid激活层的输出数据与所述缩展单元的输入数据相乘。
19、在本专利技术的一个实施例中，所述全连接前馈神经网络包括依次连接的第一线性层、第二relu激活层、全局响应归一化层和第二线性层。
20、在本专利技术的一个实施例中，所述快速空间金字塔池化模块包括依次连接的卷积层conv1、最大池化层maxpool1、最大池化层maxpool2、最大池化层maxpool3、拼接层concat1和卷积层conv2，其中，所述最大池化层maxpool1、所述最大池化层maxpool2的输出均连接至所述拼接层concat1。
21、在本专利技术的一个实施例中，所述路径聚合特征金字塔网络包括：低层聚合模块、中层聚合模块和高层聚合模块；其中，
22、所述低层聚合模块包括依次连接的第一上采样层、拼接层concat2、用于输出聚合后的低层特征图的第一局部跨阶段单元以及卷积层conv3；
23、所述中层聚合模块包括依次连接的第二上采样层、拼接层concat3、第二局部跨阶段单元、卷积层conv4、拼接层concat4、第三局部跨阶段单元以及卷积层conv5，所述第三局部跨阶段单元用于输出聚合后的中层特征图，且所述低层聚合模块中卷积层conv3的输出连接至所述拼接层concat4；
24、所述高层聚合模块包括依次连接的卷积层conv6、拼接层concat5和第四局部跨阶段单元，所述第四局部跨阶段单元用于输出聚合后的高层特征图，且所述卷积层conv6的输出连接至所述中层聚合模块中的第二上采样层，所述中层聚合模块中的卷积层conv5的输出连接至所述拼接层concat5。
25、在本专利技术的一个实施例中，所述动态解耦检测头网络包括k个级联的动态头模块，每个所述动态头模块包括：空间注意力单元、尺度注意力单元和通道注意力单元，其中，第i级动态头模块的输入为第i-1级动态头模块中通道注意力单元输出的低层通道注意力特征图、中层通道注意力特征图和高层通道注意力特征图，i＝2,3,…,k；
26、第i级动态头模块按照如下步骤生成低层通道注意力特征图、中层通道注意力特征图和高层通道注意力特征图：
27、分别根据第i-1级动态头模块输出的低层通道注意力特征图\第i-1级动态头模块输出的中层通道注意力特征图\第i-1级动态头模块输出的高层通道注意力特征图，计算可变形卷积的相关参数；所述相关参数包括掩码和偏置；
28、利用所本文档来自技高网...
【技术保护点】
1.一种基于深度学习的多尺度表面缺陷检测方法，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多尺度表面缺陷检测方法，其特征在于，利用特征提取主干网络依次对待检测图像进行第一阶段、第二阶段、第三阶段和第四阶段的特征提取，并基于第四阶段的特征信息生成第一特征图的步骤，包括：
3.根据权利要求2所述的基于深度学习的多尺度表面缺陷检测方法，其特征在于，所述第一特征提取模块包括依次连接的两个常规卷积模块，所述第二特征提取模块包括依次连接的两个大核卷积模块，所述第三特征提取模块包括依次连接的六个大核卷积模块，所述第四特征提取模块包括依次连接的两个大核卷积模块；其中，
4.根据权利要求3所述的基于深度学习的多尺度表面缺陷检测方法，其特征在于，所述缩展单元包括依次连接的全局池化层、第一全连接层、第一ReLU激活层、第二全连接层和Sigmoid激活层，其中，第一全连接层用于对自身输入进行下采样，第二全连接层用于对自身输入进行上采样；
5.根据权利要求4所述的基于深度学习的多尺度表面缺陷检测方法，其特征在于，所述全连接前馈神经网络包括依次连
6.根据权利要求2所述的基于深度学习的多尺度表面缺陷检测方法，其特征在于，所述快速空间金字塔池化模块包括依次连接的卷积层Conv1、最大池化层Maxpool1、最大池化层Maxpool2、最大池化层Maxpool3、拼接层Concat1和卷积层Conv2，其中，所述最大池化层Maxpool1、所述最大池化层Maxpool2的输出均连接至所述拼接层Concat1。
7.根据权利要求1所述的基于深度学习的多尺度表面缺陷检测方法，其特征在于，所述路径聚合特征金字塔网络包括：低层聚合模块、中层聚合模块和高层聚合模块；其中，
8.根据权利要求1所述的基于深度学习的多尺度表面缺陷检测方法，其特征在于，所述动态解耦检测头网络包括K个级联的动态头模块，每个所述动态头模块包括：空间注意力单元、尺度注意力单元和通道注意力单元，其中，第i级动态头模块的输入为第i-1级动态头模块中通道注意力单元输出的低层通道注意力特征图、中层通道注意力特征图和高层通道注意力特征图，i＝2,3,…,K；
9.根据权利要求8所述的基于深度学习的多尺度表面缺陷检测方法，其特征在于，所述尺度注意力单元按照如下步骤计算尺度注意力特征图：
10.根据权利要求9所述的基于深度学习的多尺度表面缺陷检测方法，其特征在于，所述通道注意力单元按照如下步骤计算第i级动态头模块输出的低层通道注意力特征图\第i级动态头模块输出的中层通道注意力特征图\第i级动态头模块输出的高层通道注意力特征图：
...【技术特征摘要】
1.一种基于深度学习的多尺度表面缺陷检测方法，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多尺度表面缺陷检测方法，其特征在于，利用特征提取主干网络依次对待检测图像进行第一阶段、第二阶段、第三阶段和第四阶段的特征提取，并基于第四阶段的特征信息生成第一特征图的步骤，包括：
3.根据权利要求2所述的基于深度学习的多尺度表面缺陷检测方法，其特征在于，所述第一特征提取模块包括依次连接的两个常规卷积模块，所述第二特征提取模块包括依次连接的两个大核卷积模块，所述第三特征提取模块包括依次连接的六个大核卷积模块，所述第四特征提取模块包括依次连接的两个大核卷积模块；其中，
4.根据权利要求3所述的基于深度学习的多尺度表面缺陷检测方法，其特征在于，所述缩展单元包括依次连接的全局池化层、第一全连接层、第一relu激活层、第二全连接层和sigmoid激活层，其中，第一全连接层用于对自身输入进行下采样，第二全连接层用于对自身输入进行上采样；
5.根据权利要求4所述的基于深度学习的多尺度表面缺陷检测方法，其特征在于，所述全连接前馈神经网络包括依次连接的第一线性层、第二relu激活层、全局响应归一化层和第二线性层。
6.根据权利要求2所述的基于深度学习的多尺度表面缺陷检测方法，其特征在于，所述快速空间金字塔池化模块包括依次连...
【专利技术属性】
技术研发人员：高大化，魏来，黄宸宇，刘丹华，
申请(专利权)人：西安电子科技大学，
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。