CN119515792A 一种基于多维注意力机制的航天器热控薄膜镀膜缺陷识别方法 （哈尔滨理工大学）

一种基于多维注意力机制的航天器热控薄本发明涉及多维注意力机制的航天器热控据检测图像敏感特征镀膜缺陷的关联映射模本量不均衡问题；基于GhostConv的自适应幽灵卷积模块设计了轻量级模块(LM一Block)和基于空间金字塔池化的镀膜缺陷检测模型架构来实2深度学习缺陷检测模型实现镀膜缺陷实时检测，基于GhostConv的自适应幽灵卷积模块设计了一个轻量级模块(LM一Block)；同时设计了一个集成了自适应幽灵卷积模块和全连接间金字塔池化的镀膜缺陷检测模型架构来实现缺陷的准确识别。2.如权利要求1所述的一种基于多维注意力机制的热控薄膜镀膜缺陷识别方法，其特3.如权利要求1所述的一种基于多维注意力机制的热控薄膜镀膜缺陷识别方法，其特o-r14.如权利要求1所述的一种基于多维注意力机制的热控薄膜镀膜缺陷识别方法，其特35.如权利要求1所述的一种基于多维注意力机制的热控薄膜镀膜缺陷识别方法，其特-1——前层网络的特征向量。6.如权利要求1所述的一种基于多维注意力机制的热控薄膜镀膜缺陷识别方法，其特出为单通道特征图XHXWX1train：HXWXMtrain——航天器表面镀膜HXWX1train——M个通道关联后的，融合为一个通道的航天器表面镀膜缺陷特对航天器表面镀膜缺陷特征进行通道维度的最大池化(Maxpool)和平均池化1之间的归一化系数，得到空间注意力机制的权重系数MS，将权重系数MS与输入的特征XH4×W×Mtrain相乘即可得到通过空间注意力修正后的航天器表面镀膜缺陷敏感特征avgmaxavgmax——通过注意力机制修正后的航天器表面镀膜缺陷特7.如权利要求1所述的一种基于多维注意力机制的热控薄膜镀膜缺陷识别方法，其特8.如权利要求1所述的一种基于多维注意力机制的热控薄膜镀膜缺陷识别方法，其特Y,＝X*Y,59.如权利要求1所述的一种基于多维注意力机制的热控薄膜镀膜缺陷识别方法，其特hw6而导致复合薄膜缺陷识别的结果也不准确由于旧的方法在效率与准确度上已经达不到行[0004]为了解决上述技术问题，本发明的目的在于提供一种热控薄膜镀膜缺陷识别方7提取到的缺陷特征进行价值评估，建立镀膜缺陷强相关特征与缺陷类别之间的映射关系，[0010]搭建深度学习缺陷检测模型实现镀膜缺陷实时检测，基于GhostConv的自适应幽}[0015]aw——第i个通道的输入航天器表面镀膜缺陷特征图；Bi——第i个卷积核8yi——归一化后的数据。航天器表面镀膜缺陷特征进行处理，建立航天器表面镀膜缺陷特征与缺陷类别之间的映-1——前层网络的特征向量。[0032]对航天器表面镀膜缺陷特征进行通道维度的最大池化(Maxpool)和平均池化1之间的归一化系数，得到空间注意力机制的权重系数MS，将权重系数MS与输入的特征XH×W×Mtrain相乘即可得到通过空间注意力修正后的航天器表面镀膜缺陷敏感特征91]的卷积核；征提取两部分组成，空间特征机制采用协调注意技术来捕捉图像中不同空间位置的特征。作来区别于以前的注意力机制。该操作将特征图沿水平方向和垂直方向分解为一维特征后的镀膜缺陷检测模型相比于原本的YOLOv5模型在电火花缺陷检测方面准确率提升了12达到了92加入特征提取模块后，模型能够更加精确地定位缺陷，其[0068]图1为本发明实施例中一种实现基于多维注意力机制的热控薄膜镀膜缺陷识别方[0083]步骤S110：电火花缺陷特征提取的输入为224×224×3的卫星表面镀膜缺陷RGB积操作提取出多个通道的特征图像为卫星表面镀膜缺陷特征，由于卷积过程采用same模式，保留了缺陷数据的边缘信息，所以输出的卫星表面镀膜缺陷特征图像尺寸仍为224×[0089]步骤S130:搭建通道注意力机制应用于卫星表面镀膜电火花缺陷提取，主要分为三个步骤：挤压(Squeeze)、激活(Excitation)和尺度融合(Scale)，如图3所示。通过2M}[0097]通过Excitation操作(FC1层+Relu激活+FC2层+Sigmoid激活)，全连接层FC1将特M为卫星表面镀膜缺陷敏感特征的特征数量，r为[0104]x"a-x-WMaaxsM,融合，生成新的敏感特征使得模型对不同通道的卫星镀膜缺陷敏感特征更有辨[0106]步骤S140:搭建空间注意力机制，使卫星表面镀膜缺陷类型识别模型获得空间上[0113]步骤S200:提出一种以注意力机制驱动的小样本增量强化学习算法模型，使用数[0115]步骤S210:首先进行原始缺陷数据采集与收集，如本实例使用高分辨率相机捕捉[0120]步骤S220:在航天用柔性薄膜镀膜电火花缺陷检测流程中调用工业相机对柔性薄[0121]步骤S230:将拍摄图像存储到生产过程图像采集文件夹中，对图像按时间进行命[0122]步骤S300:采用通道一空间注意力机制在卷积层后对卷积层提取到的缺陷特征进[0124]步骤S310:首先将训练集的图片经过一些数据增强处理的操作再将其输入进网络[0126]步骤S330:首先使用1×1卷积核提取局部特征，同时使用全连接注意力机制提取[0128]步骤S340:采用空间特征机制的协调注意技术来捕捉图像中不同空间位置的特[0129]步骤S350:通过置信度损失函数判断网络预测的矩形框是否含有目标，分类损失如下原始检测模型为80改进后的模型为92改进后的模型+特征提取为99％。实验结果表明