一种基于高分辨率X-Ray图像的异物智能检测方法及系统技术方案

本发明专利技术公开了一种基于高分辨率X

【技术实现步骤摘要】
一种基于高分辨率X
‑
Ray图像的异物智能检测方法及系统


[0001]本专利技术属于图像检测
，具体涉及一种基于高分辨率X
‑
Ray图像的异物智能检测方法及系统。

技术介绍

[0002]高分辨率X光图像中的异物检测是工业界的一个公认难题。在纺织行业的大批量生产加工环节中，机器的老化磨损、针头的用力不均、装箱工人的失误等因素会导致断针、刀片、剪刀等异物遗留在产品内部。如果产品未进行异物检测就流入市场，则会对消费者的人身安全带来重大隐患，造成严重的质量事故，并附带高昂的客诉索赔成本。因此，异物检测是工业生产中的一个尤为重要的环节。高效准确的异物检测是纺织加工行业快速发展的基础，是确保产品质量和品牌效应的重要前提。
[0003]由于异物本身大小不等、形态各异、材质不同等因素，异物检测技术发展缓慢，已经出现的技术对实际生产并无本质改善。当前主流的异物检测手段主要分为两种，一种是电磁感应金属检测器，其分为手持式、桌面式和传送带式三种，其主要是依据成品内是否含有铁磁性成分来筛检异物，电磁感应式检测基于电磁感应原理，通过交流电通过的线圈产生快速变化的磁场，该磁场会在金属物体内部感应出涡流，涡流会产生磁场，从而影响原始磁场，从而探测器探测到金属物体。其弊端也非常明显：无法检测较小的异物，同时限于电磁探测距离影响，在高速生产线上无法实现装箱后厚度较厚的成品的整箱检测。另外一种是半自动X光检测机，即利用X射线成像系统可视化待检测的成品，基于X射线的穿透性，当X射线透过金属和其他物质时，被吸收的程度不同，所以到达荧屏或胶片上的X射线量即有差异。这样，在荧屏或X射线片上就形成明暗或黑白对比不同的影像，交由肉眼去识别图像中的异物。虽然半自动X光检测机在工业生产环节有一定的应用价值，但同时也存在明显着的不足，其检测精度受人为主观性因素影响十分严重，在高速的流水线上，肉眼几乎无法精确识别小尺度异物。

技术实现思路

[0004]为了解决现有技术中存在的上述问题，本专利技术提供了一种基于高分辨率X
‑
Ray图像的异物智能检测方法及系统。本专利技术要解决的技术问题通过以下技术方案实现：
[0005]本专利技术实施例的第一方面提供一种基于高分辨率X
‑
Ray图像的异物智能检测方法，包括以下步骤：
[0006]步骤10，采集多个纺织成品的X
‑
Ray待检测图像；
[0007]步骤20，将所述X
‑
Ray待检测图像输入FE
‑
DETR检测网络中进行异物检测，将多个所述X
‑
Ray待检测图像分成带有异物的第一目标图像和合格图像两类图像；
[0008]所述FE
‑
DETR检测网络包括卷积神经网络的主干网络、Transformer模型的编码器和解码器以及预测层；
[0009]其中，所述主干网络的ResNeSt
‑
50残差网络的每个残差结构之间具有通道注意力
模块和空间注意力模块，ResNeSt
‑
50残差网络的后三个残差结构的卷积为DCN模块，类BiFPN结构作为网络的neck，利用跨尺度连接和加权特征融合提取全局特征；
[0010]步骤30，输出所述第一目标图像对应的所述纺织成品的信息。
[0011]在本专利技术的一个实施例中，所述步骤20的具体步骤包括：
[0012]步骤21，将所述X
‑
Ray待检测图像输入ResNeSt
‑
50残差网络，并通过通道注意力模块、空间注意力模块和DCN模块根据权重重新编码特征并输出特征信息；
[0013]步骤22，将所述特征信息输入多尺度特征编码网络结构中得到全局特征；
[0014]其中，所述多尺度特征编码网络结构为利用跨尺度连接和加权特征融合进行提取得到全局特征；
[0015]步骤23，将所述全局特征转换成一维特征图并结合空间位置编码后输入所述编码器进行编码，得到编码信息；
[0016]步骤24，将所述编码信息传输至所述解码器中进行解码得到待预测图像特征；
[0017]步骤25，将所述待预测图像特征传输至所述预测层进行耦合预测，输出分类结果，分类结果包括第一目标图像和合格图像。
[0018]在本专利技术的一个实施例中，所述步骤21的具体步骤包括：
[0019]步骤211，将所述X
‑
Ray待检测图像F∈R
H
×
W
×
C
按通道进行最大池化和均值池化降采样，得到两个一维向量后经过共享多层感知机处理后相加，得到相加结果；
[0020]步骤212，将所述相加结果经过Sigmoid激活得到一维通道注意力M
C
∈ R1×1×
C
，将所述一维通道注意力M
C
∈R1×1×
C
与输入特征按元素相乘得到第一特征F
’
；
[0021]步骤213，所述第一特征F
’
按空间进行最大池化和均值池化降采样，产生的二维向量经过拼接后进行卷积和Sigmoid激活，得到二维空间注意力 M
S
∈R
H
×
W
×1，将所述二维空间注意力与第一特征F
’
按元素相乘得到第二特征F”；
[0022]所述步骤211
‑
步骤213的计算过程如公式一：
[0023][0024]步骤214，将所述第二特征F”通过DCN卷积，输出所述特征信息；所述特征信息为不同级残差结构的输出特征。
[0025]在本专利技术的一个实施例中，所述步骤22的具体步骤包括：
[0026]对所述特征信息利用跨尺度连接和添加可学习权重并进行加权特征融合提取得到全局特征；
[0027]其中，添加可学习权重并进行加权特征融合计算过程如公式二：
[0028][0029]其中，ω
i
是0到1之间的可学习权重，ε是一个远小于1的数，重复堆叠次数为1次。
[0030]在本专利技术的一个实施例中，所述方法还包括：
[0031]步骤40，获取所述纺织成品的厚度大于60cm且对应的所述X
‑
Ray待检测图像的背景灰度值和目标灰度值的差值小于35，且所述FE
‑
DETR检测网络的检测精度小于80％时的
X
‑
Ray待检测图像作为二次待识别图像；
[0032]步骤50，将所述二次待识别图像输入辅助识别网络中进行异物检测，将所述多个二次待识别图像分成带有异物的第二目标图像和合格图像两类图像；
[0033]其中，所述辅助识别网络的主干网络为ResNeSt
‑
50，将FPN网络的上采样结构尾部并联一个降采样模块，采用ROI Align作为池化层，采用级联结构本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高分辨率X
‑
Ray图像的异物智能检测方法，其特征在于，包括以下步骤：步骤10，采集多个纺织成品的X
‑
Ray待检测图像；步骤20，将所述X
‑
Ray待检测图像输入FE
‑
DETR检测网络中进行异物检测，将多个所述X
‑
Ray待检测图像分成带有异物的第一目标图像和合格图像两类图像；所述FE
‑
DETR检测网络包括卷积神经网络的主干网络、Transformer模型的编码器和解码器以及预测层；其中，所述主干网络的ResNeSt
‑
50残差网络的每个残差结构之间具有通道注意力模块和空间注意力模块，ResNeSt
‑
50残差网络的后三个残差结构的卷积为DCN模块，类BiFPN结构作为网络的neck，利用跨尺度连接和加权特征融合提取全局特征；步骤30，输出所述第一目标图像对应的所述纺织成品的信息。2.根据权利要求1所述的一种基于高分辨率X
‑
Ray图像的异物智能检测方法，其特征在于，所述步骤20的具体步骤包括：步骤21，将所述X
‑
Ray待检测图像输入ResNeSt
‑
50残差网络，并通过通道注意力模块、空间注意力模块和DCN模块根据权重重新编码特征并输出特征信息；步骤22，将所述特征信息输入多尺度特征编码网络结构中得到全局特征；其中，所述多尺度特征编码网络结构为利用跨尺度连接和加权特征融合进行提取得到全局特征；步骤23，将所述全局特征转换成一维特征图并结合空间位置编码后输入所述编码器进行编码，得到编码信息；步骤24，将所述编码信息传输至所述解码器中进行解码得到待预测图像特征；步骤25，将所述待预测图像特征传输至所述预测层进行耦合预测，输出分类结果，分类结果包括第一目标图像和合格图像。3.根据权利要求2所述的一种基于高分辨率X
‑
Ray图像的异物智能检测方法，其特征在于，所述步骤21的具体步骤包括：步骤211，将所述X
‑
Ray待检测图像F∈R
H
×
W
×
C
按通道进行最大池化和均值池化降采样，得到两个一维向量后经过共享多层感知机处理后相加，得到相加结果；步骤212，将所述相加结果经过Sigmoid激活得到一维通道注意力M
C
∈R1×1×
C
，将所述一维通道注意力M
C
∈R1×1×
C
与输入特征按元素相乘得到第一特征F
’
；步骤213，所述第一特征F
’
按空间进行最大池化和均值池化降采样，产生的二维向量经过拼接后进行卷积和Sigmoid激活，得到二维空间注意力M
S
∈R
H
×
W
×1，将所述二维空间注意力与第一特征F
’
按元素相乘得到第二特征F”；所述步骤211
‑
步骤213的计算过程如公式一：步骤214，将所述第二特征F”通过DCN卷积，输出所述特征信息；所述特征信息为不同级残差结构的输出特征。4.根据权利要求2所述的一种基于高分辨率X
‑
Ray图像的异物智能检测方法，其特征在
于，所述步骤22的具体步骤包括：对所述特征信息利用跨尺度连接和添加可学习权重并进行加权特征融合提取得到全局特征；其中，添加可学习权重并进行加权特征融合计算过程如公式二：其中，ω
i
是0到1之间的可学习权重，ε是一个远小于1的数，重复堆叠次数为1次。5.根据权利要求1所述的一种基于高分辨率X

【专利技术属性】
技术研发人员：丁健刚，叶超，王怀智，麻树波，
申请(专利权)人：西安速视光电科技有限公司，
类型：发明
国别省市：