CN119399159A 一种基于多分支并行注意力模型的带钢表面缺陷检测方法 （昆明理工大学）

一种基于多分支并行注意力模型的带钢表本发明公开一种基于多分支并行注意力模深度转换卷积替换其主干网络CSPDarkNet中所略微增加模型参数的同时有效提升带钢表面缺2S100基于搭建的带钢表面缺陷检测平台使用工业相机对具有表面缺陷的带钢进行图S300将主干网络CSPDarkNet中所有用作下采样的标S400使用多分支并行注意力模块替换主干网络CSPDarkNet和颈部特征融合网络中所S600根据所述空间深度转换卷积、多分支并行注意S700利用训练后的带钢表面缺陷检测模型对所述带钢表面缺陷图像进行检测和识别，2.如权利要求1所述的一种基于多分支并行注意力模型的带钢表面缺陷检测方法，其3.如权利要求1所述的一种基于多分支并行注意力模型的带钢表面缺陷检测方法，其4.如权利要求1所述的一种基于多分支并行注意力模型的带钢表面缺陷检测方法，其5.如权利要求1所述的一种基于多分支并行注意力模型的带钢表面缺陷检测方法，其特征在于：所述S400的多分支并行注意力模块包括多分支特征提取模块和注意力机制模6.如权利要求1所述的一种基于多分支并行注意力模型的带钢表面缺陷检测方法，其3[0002]带钢表面缺陷检测是工业制造、质量控制和安全检查等领域中的关键技术之分支并行注意力模块替换C2f模块捕捉小尺度缺陷信息。在主干网络后添加内特征交互模[0007]S100基于搭建的带钢表面缺陷检测平台使用工业相机对具有表面缺陷的带钢进[0009]S300将主干网络CSPDarkNet中所有用作下采样的标准卷积替换成空间深度转换[0010]S400使用多分支并行注意力模块替换主干网络CSPDarkNet和颈部特征融合网络4[0013]S700利用训练后的带钢表面缺陷检测模型对所述带钢表面缺陷图像进行检测和[0027]S100基于搭建的带钢表面缺陷检测平台使用工业相机对具有表面缺陷的带钢进5[0032]S300将主干网络CSPDarkNet中所有用作下采样的标准卷积替换成空间深度转换深度，过程可以表示为式其中低分辨率缺陷特征子图像X经过空间深度转换层时，宽高维度经过切片操作切分成四个子特征f0,0＝在通道维度上进行拼接得到XC，XC包含更多缺陷目标的细粒度信息且不会在下采样过程中够降低空间深度转换层过度采样的情况同时保留住更多小[0034]S400使用多分支并行注意力模块替换主干网络CSPDarkNet和颈部特征融合网络小为4的全局注意力对F1进行处理得到Fglobal，局部注意力分支使用补丁大小为2的局部注意力对F1进行处理得到Flocal，串行卷积分支使用连续三个卷积核大小为3的标准卷积对输6建立局部和全局分支之间的区别，通过在空间维度上对非重叠Patch进行聚合和位移来实分布，并与FFFN相乘用以加权得到局部输出特征。采用特征选择的策略利用可学习的提示用Sigmoid激活函数计算相应的不同通道的概率，然后与输入特征FD相乘作为下一层的输特征Foutput转换为高维向量与随机生成的二维正弦余弦位置嵌入Fpos_sincos相加后输入多头自注意力增强特征表示得到Sma，然后将Fo。其次将Sa输入由两个隐藏维度为2048全连接层和ReLU激活函数组成的前馈神经网络中7力中采用的特征选择策略利用可学习的提示prompt来赋予根据高级目标或任务调整注意[0045]S700利用训练后的带钢表面缺陷检测模型对所述带钢表面缺陷图像进行检测和宽度的位置预测。最后为了消除冗余和提高检测精度，在输出结果后进行NMS非极大值抑