【技术实现步骤摘要】
本专利技术属于图像处理，具体地说，是涉及基于图像处理的缺陷检测技术，更具体地说，是涉及基于信息特征分离重构的缺陷检测方法及装置。
技术介绍
1、随着工业制造能力的飞速发展，市场对于工业产品质量的要求愈发提高，因此对于生产产品的质量检测也越来越重要。在工业生产过程中，由于现有技术、环境条件、生产原材料、人为错误等因素影响，产品缺陷的产生是无法避免的。缺陷检测作为质量检测的一个环节，是对各种产品的表面进行检测，表面缺陷也是产品质量受到影响的最直观表现。在技术落后的时代，人工缺陷检测曾经是主流方法，但这需要耗费大量的人力物力，且检测结果相对主观，且速度慢，目前已被使用计算机的方法替代。
2、使用计算机的表面缺陷检测手段通常采用基于特征的机器视觉算法，通过从图像中提取纹理特征、颜色特征、形状特征等，基于提取的特征进行缺陷检测。因此，缺陷特征的提取对于检测的速度和准确性至关重要。近年来，为了提高检测的速度与效果，基于深度学习的缺陷检测逐渐占据主导位置。因为缺陷样本通常来说数量较少，现有技术提出通过采用两种域泛化策略和一种噪声正则化策略，实现少样本表面缺陷检测的网络，使其网络性能与用大量数据训练的模型性能相当。为了实现对缺陷特征的有效提取，还出现了采用多级特征提取模块来捕获更多的缺陷信息，同时利用一种聚焦上下文模块来融合缺陷信息，从而增强模型对于缺陷信息的捕捉能力。但是，在免得复杂且通常不显著的缺陷检测任务时，现有技术在缺陷特征提取方面仍不够丰富和完整，致使缺陷检测结果不够理想。
技术实现思路
1、本专利技术的目的在于提供一种基于信息特征分离重构的缺陷检测方法及装置，以提高缺陷特征提取的丰富性、完整性，提高缺陷检测的准确性。
2、为实现上述专利技术目的，本专利技术提供的缺陷检测方法采用下述技术方案予以实现：
3、一种基于信息特征分离重构的缺陷检测方法，所述方法基于yolo架构，包括下述过程：
4、对缺陷图像进行卷积处理，获得第一特征图；
5、将所述第一特征图输入权重分离重构模块，所述权重分离重构模块对所述第一特征图进行组归一化，获得可训练参数，基于所述可训练参数获得更新的通道权重，基于所述更新的通道权重对组归一化后的特征重新加权，将重新加权后的结果分离为两部分，分别进行权重分离，获得缺陷区域特征图和背景区域特征图，将所述缺陷区域特征图和所述背景区域特征图进行特征重构，获得权重分离重构特征图；
6、将所述权重分离重构特征图输入特征分离重构模块，所述特征分离重构模块将所述权重分离重构特征图分离为上层通道部分和下层通道部分，对所述上层通道部分采用结构重参数化进行特征提取而获得深度特征图，对所述下层通道部分进行特征提取而获得浅层特征图，将所述深度特征图和浅层特征图连接后进行池化，获得特征分离重构特征图；
7、将所述特征分离重构特征图输入特征金字塔模块，获得输出特征图；
8、将所述输出特征图进行上采样和特征拼接，输入检测头进行缺陷检测。
9、本申请的一些实施例中，所述权重分离重构模块对所述第一特征图进行组归一化，获得可训练参数，基于所述可训练参数获得更新的通道权重，基于所述更新的通道权重对组归一化后的特征重新加权，将重新加权后的结果分离为两部分，分别进行权重分离，获得缺陷区域特征图和背景区域特征图，包括：
10、采用下述公式对所述第一特征图进行组归一化，获得可训练参数：
11、；
12、采用下述公式获得更新的通道权重：
13、；；
14、将所述与所述相乘，乘积作为重新加权后的特征图；
15、将所述重新加权后的特征图分离为两部分；将第一部分重新加权后的特征图通过sigmoid函数进行映射，并通过第一阈值进行权重分离，获得第一权重组和第二权重组；将第二部分重新加权后的特征图通过tanh函数进行映射，并通过第二阈值进行权重分离，获得第三权重组和第四权重组；所述第一权重组大于所述第一阈值，所述第二权重组不大于所述第一阈值，所述第三权重组大于所述第二阈值，所述第四权重组不大于所述第二阈值；
16、将所述第一权重组和所述第三权重组相加，相加的和再与所述第一特征图相乘，获得缺陷区域特征图；将所述第二权重组和所述第四权重组相加，相加的和再与所述第一特征图相乘，获得背景区域特征图；
17、其中，为所述第一特征图；为对进行组归一化的结果；、分别为组内的均值和方差，为已知的常数，、为可训练参数；为所有通道权重的集合；为第个通道的权重；、均为通道序号；为所述第一特征图的通道数量。
18、本申请的一些实施例中，将所述缺陷区域特征图和所述背景区域特征图进行特征重构，获得权重分离重构特征图，包括：
19、将所述缺陷区域特征图和所述背景区域特征图分别分离为两部分；
20、将第一部分缺陷区域特征图与第二部分背景区域特征图进行加权求和，获得第一比例和；将第二部分缺陷区域特征图与第一部分背景区域特征图进行加权求和，获得第二比例和；所述第一部分缺陷区域特征图的权重大于所述第二部分背景区域特征图的权重，所述第二部分缺陷区域特征图的权重大于所述第一部分背景区域特征图的权重；
21、将所述第一比例和与所述第二比例和连接，获得权重分离重构特征图。
22、本申请的一些实施例中，所述上层通道部分的通道数量大于所述下层通道部分的通道数量。
23、本申请的一些实施例中，对所述上层通道部分采用结构重参数化进行特征提取而获得深度特征图，包括：
24、检测时，对所述上层通道部分采用卷积模块压缩特征通道，获得检测时压缩后上层通道特征图；将所述检测时压缩后上层通道特征图通过第一深度卷积模块进行处理，获得检测分支输出特征图；
25、将所述检测分支输出特征图与训练分支输出特征图通过挤压和激励模块进行处理，获得深度特征图；
26、所述训练分支输出特征图采用下述方法获得：
27、训练时，对所述上层通道部分采用卷积模块压缩特征通道，获得训练时压缩后上层通道特征图；将所述训练时压缩后上层通道特征图分离为两部分，分别通过第二深度卷积模块和第三深度卷积模块进行处理，获得第二深度卷积处理特征图和第三深度卷积处理特征图；将所述第二深度卷积处理特征图、第三深度卷积处理特征图和所述训练时压缩后上层通道特征图连接，获得训练分支输出特征图；所述第二深度卷积模块的卷积核大于所述第三深度卷积模块的卷积核，所述第二深度卷积模块的卷积核等于所述第一深度卷积模块的卷积核。
28、本申请的一些实施例中，对所述下层通道部分进行特征提取而获得浅层特征图，包括：
29、对所述下层通道部分采用卷积模块压缩特征通道，获得压缩后下层通道特征图；
30、将所述压缩后下层通道特征图通过点卷积进行处理，获得点卷积处理特征图；
31、将所述压缩后下层通道特征图与所述点卷积处理特征图进行连接，获得浅层特征图本文档来自技高网...
【技术保护点】
1.一种基于信息特征分离重构的缺陷检测方法，其特征在于，所述方法基于YOLO架构，包括下述过程：
2.根据权利要求1所述的基于信息特征分离重构的缺陷检测方法，其特征在于，所述权重分离重构模块对所述第一特征图进行组归一化，获得可训练参数，基于所述可训练参数获得更新的通道权重，基于所述更新的通道权重对组归一化后的特征重新加权，将重新加权后的结果分离为两部分，分别进行权重分离，获得缺陷区域特征图和背景区域特征图，包括：
3.根据权利要求2所述的基于信息特征分离重构的缺陷检测方法，其特征在于，将所述缺陷区域特征图和所述背景区域特征图进行特征重构，获得权重分离重构特征图，包括：
4.根据权来要求1所述的基于信息特征分离重构的缺陷检测方法，其特征在于，所述上层通道部分的通道数量大于所述下层通道部分的通道数量。
5.根据权利要求4所述的基于信息特征分离重构的缺陷检测方法，其特征在于，对所述上层通道部分采用结构重参数化进行特征提取而获得深度特征图，包括：
6.根据权利要求4所述的基于信息特征分离重构的缺陷检测方法，其特征在于，对所述下层
7.根据权利要求4所述的基于信息特征分离重构的缺陷检测方法，其特征在于，将深度特征图和浅层特征图连接后进行池化，获得特征分离重构特征图，包括：
8.根据权利要求1至7中任一项所述的基于信息特征分离重构的缺陷检测方法，其特征在于，将所述特征分离重构特征图输入特征金字塔模块，获得输出特征图，包括：
9.一种基于信息特征分离重构的缺陷检测装置，其特征在于，所述装置基于YOLO架构，包括：
...【技术特征摘要】
1.一种基于信息特征分离重构的缺陷检测方法，其特征在于，所述方法基于yolo架构，包括下述过程：
2.根据权利要求1所述的基于信息特征分离重构的缺陷检测方法，其特征在于，所述权重分离重构模块对所述第一特征图进行组归一化，获得可训练参数，基于所述可训练参数获得更新的通道权重，基于所述更新的通道权重对组归一化后的特征重新加权，将重新加权后的结果分离为两部分，分别进行权重分离，获得缺陷区域特征图和背景区域特征图，包括：
3.根据权利要求2所述的基于信息特征分离重构的缺陷检测方法，其特征在于，将所述缺陷区域特征图和所述背景区域特征图进行特征重构，获得权重分离重构特征图，包括：
4.根据权来要求1所述的基于信息特征分离重构的缺陷检测方法，其特征在于，所述上层通道部分的通道数量大于所述下层通道部分...
【专利技术属性】
技术研发人员：高颖，张宗帅，朱旅潍，李永庆，赵琦，颜军，
申请(专利权)人：青岛科技大学，
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。