CN119444729A 一种基于特征聚焦细化的表面缺陷检测方法和系统 （广东工业大学）

一种基于特征聚焦细化的表面缺陷检测方本发明公开了一种基于特征聚焦细化的表面缺陷检测方法和系统，涉及缺陷检测技术领于待检测图像输出多个缺陷边缘多尺度聚焦特目标复用融合语义网络对应生成多个复用融合通道空间加权细化特征；通过目标检测层基于各语义通道空间加权细化特征输出待检测图像的缺陷检测结果。提高了小目标缺陷检测精2获取待检测图像，将所述待检测图像输入至预设的目标特征聚焦细化缺陷检测模型，通过所述目标边缘聚焦特征提取网络对所述待检测图像进行多尺度特将各所述缺陷边缘多尺度聚焦特征向量输入所述目标复用融合语义网络进行语义增采用所述目标语义一通道一空间加权细化网络分别对各所述复将所述待检测图像输入卷积层进行卷积运算后，通过级联的两个采用卷积递归融合层对所述第一缺陷边缘多尺度聚焦特征向通过卷积递归融合层对所述第二缺陷边缘多尺度聚焦特征向量进行积递归融合层包括卷积层和递归卷积增强层，所述递归卷积增强层包括递归门控卷积子对输入所述卷积递归融合层的卷积输入特征采用卷积层进采用特征分割子层对所述卷积中间特征进行特征拆分，输出第一卷积拆对所述第一卷积拆分特征、所述第一卷积融合特征和所述第二卷积3将各所述缺陷边缘多尺度聚焦特征向量分别输入级联的注意力层与深度可分离卷积对所述第三层析感知嵌入特征进行上采样后，与所述第二层析感将所述第一语义融合特征进行上采样后，与所述第一层析感知嵌入特征进行特征融通过残差块分别对所述第一语义融合特征和所述第二语义对所述第一复用融合语义特征进行下采样后与所述残差特征进行特采用所述残差特征进行下采样后与所述第三层析感知嵌入特标语义通道空间加权细化网络包括全局平均池化层、全局最大池化层、Conv_Silu层、对输入所述目标语义一通道一空间加权细化网络的复用融合语义特征分通过Conv_Silu层分别对所述平均池化特征和所述最大池化特征进行卷积运算后进行采用Sigmoid激活函数层提取所述通道特征的通道权重，并将所述通道权重与所述复基于Softmax激活函数层提取所述复用融合语义特征的空间权重，并将所述空间权重采用所述缺陷标注低分辨率图像对初始特征聚焦细化缺陷检测模型的初始边缘聚焦基于所述缺陷标注低分辨率图像对所述中间特征聚焦细化缺陷检测模型进行整体模用所述缺陷标注低分辨率图像对初始特征聚焦细化缺陷检测模型的初始边缘聚焦特征提4在所述初始特征聚焦细化缺陷检测模型的初始边缘聚焦特征通过所述初始边缘聚焦特征提取网络中级联的两个卷积递归融合层对所述训练低层将所述训练低层特征和所述训练高层特征输入预设的缺陷边缘增强深度特征聚合网基于所述训练高分辨率图像和所述缺陷标注低分辨率图像对应的缺陷标注高分辨率按照所述第一损失函数值对所述初始边缘聚焦特征提取网络内的模型参数进行迭代通过多层带激活函数的卷积层对所述图像编码特征进行连续特征提取特征输入模块，用于获取待检测图像，将所述待检测图像输细化缺陷检测模型，所述目标特征聚焦细化缺陷检测模型包括目标边缘聚焦特征提取网特征提取模块，用于通过所述目标边缘聚焦特征提取网络对特征增强模块，用于将各所述缺陷边缘多尺度聚焦特征5[0002]随着新一代信息技术与制造业的深入融合，逐步推动从数量扩增向质量提升转在YOLO模型主干部分中设置注意力机制来对特征图中的关键通道与关键空间位置进行提[0008]将各所述缺陷边缘多尺度聚焦特征向量输入所述目标复用融合语义网络进行语字塔池化层；所述通过所述目标边缘聚焦特征提取网络对所述待检测图像进行特征提取，[0014]通过卷积递归融合层对所述第二缺陷边缘多尺度聚焦特6[0018]将所述第二卷积拆分特征输入级联的多个递归门控卷积子层进行连续特征提取[0019]基于级联的多个递归门控卷积子层对所述第一卷积融合特征进行逐级特征提取所述将各所述缺陷边缘多尺度聚焦特征向量输入所述目标复用融合语义网络进行语义增[0022]将各所述缺陷边缘多尺度聚焦特征向量分别输入级联的注意力层与深度可分离[0025]通过残差块分别对所述第一语义融合特征和所述第二语义融合特征进行特征提[0030]通过Conv_Silu层分别对所述平均池化特征和所述最大池化特征进行卷积运算后[0031]采用Sigmoid激活函数层提取所述通道特征的通道权重，并将所述通道权重与所7[0032]基于Softmax激活函数层提取所述复用融合语义特征的空间权重，并将所述空间[0036]采用所述缺陷标注低分辨率图像对初始特征聚焦细化缺陷检测模型的初始边缘[0037]基于所述缺陷标注低分辨率图像对所述中间特征聚焦细化缺陷检测模型进行整[0040]通过所述初始边缘聚焦特征提取网络中级联的两个卷积递归融合层对所述训练[0041]将所述训练低层特征和所述训练高层特征输入预设的缺陷边缘增强深度特征聚[0042]基于所述训练高分辨率图像和所述缺陷标注低分辨率图像对应的缺陷标注高分[0043]按照所述第一损失函数值对所述初始边缘聚焦特征提取网络内的模型参数进行包括上采样层和带激活函数的卷积层，所述解码器包括带激活函数的卷积层和图像重建[0046]采用带激活函数的卷积层对所述训练高层特征进行特征映射，生成第二编码特8[0060]图1为本发明实施例提供的一种基于特征聚焦细化的表面缺陷检测方法的步骤流[0066]图7为本发明实施例提供的一种基于特征聚焦细化的表面缺陷检测系统的结构框决现有表面缺陷检测方法对小目标缺陷检测9[0083]对第一卷积拆分特征、第一卷积融合特征和第二卷积融[0085]步骤103、将各缺陷边缘多尺度聚焦特征向量输入目标复用融合语义网络进行语[0087]S11、将各缺陷边缘多尺度聚焦特征向量分别输入级联的注意力层与深度可分离作为注意力层的注意输入特征，通过注意力层依次在通道维度和空间维度对信息进行提操作，Maxpool为最大池化操作，MLP为多层感知机，σ为sigmoid激[0094]S13、将第一语义融合特征进行上采样后，与第一层析感知嵌入特征进行特征融析感知嵌入特征和第三层析感知嵌入特征，经过基于FPN结构的上采样融合层进行多尺度基础的残差块结构获得层次化语义增强的复[0100]如图6所示，目标语义一通道一空间加权细化网络（PFF）包括全局平均池化层[0102]通过Conv_Silu层分别对平均池化特征和最大池化特征进行卷积运算后进行特征[0103]采用Sigmoid激活函数层提取通道特征的通道权重，并将通道权重与复用融合语[0104]基于Softmax激活函数层提取复用融合语义特征的空间权重，并将空间权重与复化层和全局最大池化层引导的通道细化来计算通道自适应权重，同时通过Softmax激活函；局平均池化操作后通过卷积和SiLu激活函数，fiw为最大池化操作后通过卷积和SiLu激活目标检测层采用YOLOv8原始的Detect检测层进行检测，具体应用过程可以参考现有技术，[0113]进一步地，本实施例提供的目标特征聚焦细化缺陷检测模型，在基于现有的[0115]需要说明的是，缺陷标注低分辨率图像指的是缺陷已标注且属于低分辨率的图[0117]S32、采用缺陷标注低分辨率图像对初始特征聚焦细化缺陷检测模型的初始边缘l为第一损失函数值，Wu为从1层到L层的卷积权重，bu.为从1层到L层的注高分辨率图像在(.)处的像素值，为缺陷标注低分辨率图像在(.)处的像素值，为训练高分辨率图像在处的像素值。照第一损失函数值通过反向传播的方式迭代更新初始边缘聚焦特征提取网络内的模型参初始边缘聚焦特征提取网络中进行卷积下采样的特征提取能力，聚焦于提取小目标特征，[0135]S33、基于缺陷标注低分辨率图像对中间特征聚焦细化缺陷检测模型进行整体模焦细化缺陷检测模型，目标特征聚焦细化缺陷检测模型包括目标边缘聚焦特征提取网络、[0143]特征提取模块702，用于通过目标边缘聚焦特征提取网络对待检测图像进行多尺[0144]特征增强模块703，用于将各缺陷边缘多尺度聚焦特征向量输入目标复用融合语[0156]对第一卷积拆分特征、第一卷积融合特征和第二卷积融[0158]将各缺陷边缘多尺度聚焦特征向量分别输入级联的注意力层与深度可分离卷积[0159]对第三层析感知嵌入特征进行上采样后，与第二层析感知嵌入特征进行特征融[0166]通过Conv_Silu层分别对平均池化特征和最大池化特征进行卷积运算后进行特征[0167]采用Sig