工业拓扑类型缺陷的检测、分类、分割方法技术

本申请公开了一种工业拓扑类型缺陷的检测、分类、分割方法，涉及深度学习、数字图像处理技术领域，该方法包括拓扑结构特征提取模块，多视图特征融合模块，损失约束与分割模块；特征提取模块对输入的图像提取多级特征，得到缺陷的拓扑结构特征信息；多视图特征融合模块补充了特征融合过程中从多个角度对特征的关注，保留来自不同全局形态的重要信息；损失约束与分割模块基于一种持续同源性的连续性约束损失，以更好地约束分割的拓扑连续性，并得到显著性缺陷预测图。本申请能够高效识别拓扑类型缺陷。

【技术实现步骤摘要】

本申请涉及深度学习、数字图像处理，尤其涉及一种工业拓扑类型缺陷的检测、分类、分割方法。

技术介绍

1、随着深度学习技术和视觉注意力模型的迅速进步，显著性目标检测、分类、分割已成为计算机视觉研究中的一个关键领域。该技术通过深度学习方法模仿人类视觉系统的特性，旨在高效地识别和定位图像或视频中的特定对象。人类视觉系统能够基于先前的知识有选择地关注感兴趣的区域，这种能力启发了显著性检测、分类、分割技术的发展。显著性检测、分类、分割不仅对于目标识别至关重要，而且在图像和视频压缩、图像检索及图像重定向等多个方面展现出巨大的应用潜力。现代神经网络的基础架构可追溯至1998年，当时引入了反向传播算法，使得网络能够在信息前向传递的同时，通过后向传递误差进行学习优化。

2、近年来，深度学习模型在工业缺陷检测、分类、分割中得到了广泛应用。例如，先进特征提取的神经网络被用于金属表面缺陷检测、分类、分割，有效提高了检测、分类、分割精度；深度神经网络在太阳能电池板缺陷检测、分类、分割中表现出优越性能；基于实时检测、分类、分割框架的实时检测、分类、分割模型被应用于包装材料的本文档来自技高网...

【技术保护点】

1.一种工业拓扑类型缺陷的检测、分类、分割方法，其特征在于，包括：

2.根据权利要求1所述的工业拓扑类型缺陷的检测、分类、分割方法，其特征在于，拓扑结构特征提取模块包含动态可变形卷积算子，特征提取模块通过引入偏移量对动态可变形卷积算子进行二维变化，以重点关注管状结构和弯曲的局部特征。

3.根据权利要求1所述的工业拓扑类型缺陷的检测、分类、分割方法，其特征在于，多视图特征融合模块基于动态可变形卷积生成的多个形态学核模板，能够从多角度观察缺陷的结构特征。

4.根据权利要求1所述的工业拓扑类型缺陷的检测、分类、分割方法，其特征在于，损失约束与分割模块中包含解...

【技术特征摘要】

1.一种工业拓扑类型缺陷的检测、分类、分割方法，其特征在于，包括：

2.根据权利要求1所述的工业拓扑类型缺陷的检测、分类、分割方法，其特征在于，拓扑结构特征提取模块包含动态可变形卷积算子，特征提取模块通过引入偏移量对动态可变形卷积算子进行二维变化，以重点关注管状结构和弯曲的局部特征。

3.根据权利要求1所述的工业拓扑类型缺陷的检测、分类、分割方法，其特征在于，多视图特征融合模块基于动态可变形卷积生成的多个形态学核模板，能够从多角度观察缺陷的结构特征。

4.根据权利要求1所述的工业拓扑类型缺陷的检测、分类、分割方法，其特征在于，损失约束与分割模块中包含解耦头模块和拓扑连续性约束损失模块，解耦头模块通过上采样恢复图像的细节信息和提高空间分辨率，以便进行准确的分割；拓扑连续性约束损失模块用来约束分割的连续性，引导网络关注具有...

【专利技术属性】
技术研发人员：麦彦恒，郑佳祺，周研博，王昕决，夏玉龙，
申请(专利权)人：苏州辰瓴信息技术有限公司，
类型：发明
国别省市：