CN119313659B 一种轻量化工业产品表面缺陷检测方法 （中国计量大学）

本发明公开了一种轻量化工业产品表面缺得到训练集好的YOLO_IDL工业产品表面缺陷检2于重塑和聚合的特征生成局部特征用于头部网络的缺轻量级分层多尺度特征提取网络，包括依次连接的脉络层、轻量级分后将不同轻量级卷积的输出特征拼接，再将拼接后的特征通过注意力模块进行通道加权，最后将注意力模块处理后的特征与原始输入特征尺度灵犀颈包括跨阶段特征重塑模块、尺度特征适应性聚合单元、聚步骤2.2.1：跨阶段特征重塑模块接收轻量级分层多尺度特征提取网络输出的不同深聚合法跨阶段局部网络模块输入特征图，先采用普通卷积得到调整通道数的第一个特征图；然后将输入特征图再分别进行一次普通卷积和两次轻量级卷积得到另外两个特征图；34其中，LIoU表示IoU损失函数，FocusFactor表示焦点因子，针对深度学习模型收敛速度与高质量检测之间的矛盾，使用超参数ratio来动态转移5特征提取网络输出的不同深度的特征进行跨阶段特征重塑，不同尺度的特征进行特征聚6[0020]Fout2=Attention(Concat(LightConv1(X),LightConv3(X),...,LightConv112用逐点卷积融合通道间的信息而不是直接进行标准卷积，显著减少了参数和计算复杂度，7经过CBS卷积模块处理后的结果，CBS卷积模块包括卷积、批量归一化和激活函数，8第二轻量级卷积后，与经普通卷积后的轻量级分层多尺度特征提取网络最终输出特征拼卷积模块处理并通过UpSample上采样调整到相同分辨率，SigmoidMidConv(Fm))表示中尺度特征图Fm经过MidConv多层卷积后应用S[0047]CUIOU=LIOU+CXFOCUSFactor[0049]针对YOLO_IDL深度学习模型收敛速度与高质量检测之间的矛盾，使用超参数9[0058]本发明通过设计一种轻量级分层多尺度特征提取网络作为主干网络，与现有的[0077]Fout=Attention(Concat(LightConv1(X),LightConv3(X),...,LightConv11用逐点卷积融合通道间的信息而不是直接进行标准卷积，显著减少了参数和计算复杂度，积、批量归一化以及PReLU激活函数进行特征提取和优化，提升网络的表达能力和检测精[0084]Fout=Conv3D(PReLU(BN(Conv3D(Concat(UpAlign(Fdeep,Fmid,Fshallow))))))(Fs)表示大尺度特征图经过CBS卷积块处理后的结果，UpSample(CBS(Fd))表示小尺度特征图经过CBS处理并通过上采样调整到相同分辨率，Attention(MidConv(Fm))表示中尺度特征图经过多层卷积后应用Sigmoid激活函[0090]Fout=CBS(Concat(CBS(X),CBS(X)+LightConv2(LightConv1(CBS(X)))))[0097]对YOLO_IDL模型进行的训练，引入了一种针对高质量目标检测场景优化的改进[0098]CUIOU=LIOU+CXFOCUSFactor(8)[0100]针对模型收敛速度与高质量检测之间的矛盾，使用超参数ratio来动态转移模型