CN113658176B 基于交互注意力与卷积神经网络的瓷砖表面缺陷检测方法 （重庆科技学院）

WO2021139415A1,2021.07.15基于交互注意力与卷积神经网络的瓷砖表本发明公开了一种基于交互注意力与卷积的瓷砖表面缺陷检测神经网络以端到端的方式检测的方法流程可以应用到其他类型的表面缺2步骤5，建立基于交互注意力与卷积神经网络的轻量级瓷砖表面缺陷的目标检测神经步骤5.2，利用特征提取神经网络分别对第二差分图像与原缺陷图像分别进行特征提3P'i＝Pi*(S(R(MLP(SAvgPool(Pi)))+R(M对获取到的H×W×C维度的新特征图P”i，将其与其对应的T然后根据新的候选边界框(x',y',w',h',c)的I2.根据权利要求1所述的基于交互注意力与卷积神经网络的瓷砖表面缺陷检测方法，3.根据权利要求1所述的基于交互注意力与卷积神经网络的瓷砖表面缺陷检测方法，4步骤2.2，其次对缺陷图像与无缺陷的标准瓷砖图像的灰度图像进行亮度与对比度上4.根据权利要求1所述的基于交互注意力与卷积神经网络的瓷砖表面缺陷检测方法，5.根据权利要求1所述的基于交互注意力与卷积神经网络的瓷砖表面缺陷检测方法，5ic为符号函数取值为0或1，如果样本i的真6[0009]再对缺陷图像与无缺陷的标准瓷砖图像这两张灰度图像进行亮度与对比度上的7[0028]FPN神经网络采用特征金字塔做目标检测，通过自下而上的神经网络来提取不同8[0032]感受野指的是一个特定的卷积特征在输入空间所受影响的区域。第k层的感受野进一步加强缺陷部分的权重。交互注意力模块包括空间注意力与通道注意力及自交互模块，混合了两种注意力及自交互机制的交互注意力模块可进一步增强其缺陷特征表现能和全局平均池化(SAvgPool)得到两个1×1×C的通道描述。其中平均池化与最大池化策略经网络，这个两层的神经网络是共享的，将其全局最大池化(SMaxPool)和全局平均池化(SAvgPool)得到两个1×1×C的通道描述，使用同一个两层的神经网络进行训练，表示为[0041]再将得到的两个特征相加后经过一个归一化指数函数Sigmo9和平均池化(CAvgPool)得到两个H×W×1的通道描述，并将这两个通道描述拼接在一起形[0050]使用RPN神经网络，产生获得边界框并预测偏移结合真实标注的边界框进行筛选[0054]利用以上获得的缺陷类别特征向量c通过全连接层来压缩通道，将通道数压缩为ic为观测样本i属于缺陷类别的预测概率。[0071]本发明提供的基于交互注意力的轻量级瓷砖表面缺陷的瓷砖表[0083]再对缺陷图像与无缺陷的标准瓷砖图像这两张灰度图像进行亮度与对比度上的[0101]FPN神经网络采用特征金字塔做目标检测，通过自下而上的神经网络来提取不同[0105]感受野指的是一个特定的卷积特征在输入空间所受影响的区域。第k层的感受野和全局平均池化(SAvgPool)得到两个1×1×C的通道描述。其中平均池化与最大池化策略经网络，这个两层的神经网络是共享的，将其全局最大池化(SMaxPool)和全局平均池化(SAvgPool)得到两个1×1×C的通道描述，使用同一个两层的神经网络进行训练，表示为[0114]再将得到的两个特征相加后经过一个归一化指数函数Sigmo和平均池化(CAvgPool)得到两个H×W×1的通道描述，并将这两个通道描述拼接在一起形[0123]使用RPN神经网络，产生获得边界框并预测偏移结合真实标注的边界框进行筛选[0124]将上一步所获得的特征图传入RPN，以每张特征图上的每个像素按照不同大小及[0128]利用以上获得的缺陷类别特征向量c通过全连接层来压缩通道，将通道数压缩为ic为观测样本i属于缺陷类别的预测概率。[0145]本发明提供的基于交互注意力的轻量级瓷砖表面缺陷的瓷砖表