CN119399125A 一种钢材表面缺陷检测方法及装置 （内蒙古科技大学）

本发明提供了一种钢材表面缺陷检测方法史钢材缺陷图像对构建的缺陷检测网络进行训图像输入剪枝后的缺陷检测网络中进行缺陷检2构建基于YOLO架构的缺陷检测网络，所基于历史钢材缺陷图像对构建的缺陷检测网络进行训练，将获取待识别的钢材图像，将待识别的钢材图像输入目标缺陷检络的第一层包括边缘特征提取模块，所述边缘特征提取模块包括Sobel算子分支和最大池3.根据权利要求1或2所述的钢材表面缺陷检测将两个具有相同通道数的特征图在通道维度上进行拼接，通过通道先块基于拼接后的特征图生成通道注意力权重和空基于通道注意力权重和空间注意力权重对特4.根据权利要求1或2所述的钢材表面缺陷检测方法，其通过第一个第二卷积层对输入的特征图进行卷积操作得到第由元素乘法算子模块对第一特征图中的特征进行乘法操作以将特征映射到高维非线通过拼接层将不同层级的特征图在通道维度上进行拼接，通过第二个第二5.根据权利要求1或2所述的钢材表面缺陷通过无锚框的头部网络对输入特征图的每个像素点进行预测，6.根据权利要求1或2所述的钢材表面缺陷检测方法3确定权重的幅度为剪枝指标，计算训练好的缺7.根据权利要求1或2所述的钢材表面缺陷检测的钢材图像进行缺陷检测时，通过第一个深度卷积层执行深度可分离卷积操作提取特征，通过两个全连接层分别将提取的特征进行特征维度变换；通过ReLu6激活函数对其中一个训练模块，用于基于历史钢材缺陷图像对构建的缺陷检测模块，用于获取待识别的钢材图像，将待识别的钢材图像输算机程序被处理器执行时实现权利要求1至7任一项所述的钢4[0001]本发明属于钢材缺陷检测技术领域，具体涉及一种钢材表面缺陷检测方法及装息表征能力，同时设计了C2fFB模块来增强目标特征信息的提取能力，最后设计了MPCE模[0006]为了解决现有技术中终端嵌入式设备的资源限制，高精[0009]构建基于YOLO架构的缺陷检测网络，所述缺陷检测网络包括轻量级特征提取网5征提取模块包括Sobel算子分支和最大池化分支，Sobel算子分支通过Sobel算子提取待识[0018]由元素乘法算子模块对第一特征图中的特征进行乘法操作以将特征映射到高维[0025]确定权重的幅度为剪枝指标，计算训练好的缺陷检测网络中每个通道的LAMP评6络均通过空间膨胀特征模块进行特征提取，而空间膨胀特征模块中包括元素乘法算子模78深度卷积层对新的特征图再次执行深度可分离卷积和b2分别是其权重对应的偏置项。9i和ji和j特征提取网络为轻量级高效特征提取网络(LightweightandEfficientDefectFeature轻量级特征提取网络的末端使用快速空间金字塔池化(SpatialPyramidPoolingFast，主干网络不同尺度的特征信息来使网络更全面地[0085]在本发明实施例中，特征融合网络为自适应多尺度特征融合网络(Adaptive[0087]其中，AW_Fusion模块主要是针对两个具有相同通道数的输入特征而设计的一种权重自适应分配的融合机制。[0093]然后，基于上述AW_Fusion模块和特征空间膨胀模块构建特征自适应多尺度特征级特征提取网络将不同尺度的特征输入自适应多尺度特征融合网络[0103]本发明选取的历史钢材缺陷图像涵盖了钢材生产过程中[0107]使用LAMP对缺陷检测网络进行通道剪枝的过程为：确定[0112]由上述公式(6)可知，LAMP评分衡量了目标连接在同一层相对于其他连接的重要[0115]在每一层中，为避免层出现崩溃，LAMP评分在每一层最少有一个值为1的最优连络均通过空间膨胀特征模块进行特征提取，而空间膨胀特征模块中包括元素乘法算子模[0122]本发明选取的数据集涵盖了钢材生产过程中最常见的六类表面缺陷，分别斑块、[0139]为了验证本发明所提供的轻量级高效特征提取网络(LENet)在钢材表面缺陷检测[0144]其次，在网络的检测精度方面，LENet的mAP为79.4仅略低于FasterNet和[0148]为了验证本发明所提供的自适应多尺度融合网络在处理特征提取网络的不同尺聚合网络(Pathaggregationnetwork，PAN)、双向特征金字塔网络(Bidirectional2.682.577.9164.52.712.876.8172.32.277.4175.52.292.577.6166.82.922.576.0163.93.293.179.4176.9[0151]由表3可知，首先，在网络复杂度方面，由于该对比实验采用的特征提取网络为意力(Multi_LevelChannelAttention，MLCA)、多路径通道注意力(Multi_Path中使用CPCA注意力构建自适应融合模块是有效的，且相比于其他注意力机制是更具优势[0162]由表5可知，采用通道剪枝对网络进行后端压缩有效地降低网络的复杂度和提高了网络的检测速度。且网络的参数量和浮点运算量降低均超过50这对于低内存的终端用快速区域卷积神经网络(FasterRegionConvolutionalNeuralNetwork，FasterR_量化网络设计和后端网络压缩技术实现了网络在低复杂度下对表面缺陷高准确度的实时件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指[0186]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或其他可编程设备上执行的