一种基于特征信息与注意力的微小缺陷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特征信息与注意力的微小缺陷检测方法及系统，方法包括：第一步：采用有序概率密度加权方法对多次聚类结果进行优化，以获得最优先验框；第二步：采用不同扩张率的空洞卷积，捕获不同感受野下的语义信息后融合为特征信息；第三步：利用通道注意力模块对融合后的多维度接受域的特征信息作加权处理，突出检测目标所在的区域，并对该通道赋予更大的权重，对于无用的特征通道将会降低其在网络中的权重，以此去除掉网路中的冗余特征信息，在网络中引入注意力反馈，控制特征图之间信息传递，通过稀释背景区域来突出前景区域，上述方法避免了PCB裸板图像中存在的微小缺陷的误检和漏检。缺陷的误检和漏检。缺陷的误检和漏检。

【技术实现步骤摘要】
一种基于特征信息与注意力的微小缺陷检测方法及系统


[0001]本专利技术的技术方案涉及深度学习，PCB缺陷检测领域，具体是一种基于特征信息与注意力的微小缺陷检测方法及系统。

技术介绍

[0002]PCB裸板图像中存在的缺陷往往是布线上的缺陷，这些缺陷线路缺陷微小又较为分散；PCB插件焊点同样存在小焊点缺陷情况。目前，常用的深度学习检测算法在面对微小目标检测时都会出现不同程度的漏检或错检情况。在目标检测领域，最常见的解决方案就是利用多尺度融合加特征金字塔的方式去解决目标漏检问题，虽然这一方法在一定程度上能改善小目标检测性能，但仍然会出现漏检情况。
[0003](1)常见的目标检测算法在训练前采用了先验框，通过先验框的大小调整预测框的位置。合适的先验框会使得网络收敛速度更快，边框精度更高，检测算法大都采用Anchor作为先验框。因为Anchor可以提供很好的先验信息，模型在Anchor的基础上只需要去预测体边框的偏移即可,可以说是物体检测算法发展中的一个相当经典的设计。Anchor通常是多个不同大小与宽高的边框，这个大小与宽高是一组超参，需要手动的进行配置。在不同的数据集与任务中，由于物体的尺度，大小会有差距,与通用物体的标签会有所区别,这时就需要相应地调整Anchor的大小与宽高。如果Anchor设计的不合理，与数据集中的物差距,则会给模型收敛带来较大的困难,影响模型的精度，甚至不会收敛。
[0004](2)特征提取过程中，基于上下文的特征信息，对目标检测而言尤为重要。目前，常用的CNN特征提取网络只能够提取到局部特征，并且特征提取都是从上到小依次增大采样频率。过大的采样频率和过多的池化层会减小特征图的大小，导致小目标检测效果不佳，并且过多的池化层会恶化检测小目标的边界信息。因此，FPN检测网络为了提升小目标性能，采用了上采样与通道拼接的方式融合了最后的三个高级语义特征层，简单的自底向下的卷积和池化，虽然能够融合不同层的语音信息，但是其忽略了高，低水平特征之间的差异。不同层次的特征分别进行上采样卷积层并且减少特征通道，没有考虑这些特征之间存在较大的语义差距，直接融合这些特征会降低多尺度特征表达的能力。
[0005](3)多维度特征融合时，毫无区别的融合了三个维度的特征信息，这也就直接导致的特征冗余现象，在FPN特征提取网络中同样存在这样一种现象。过多无用的特征信息在网络传播过程与重要的特征信息占据了同等的重要性，这直接导致检测性能下降，甚至是产生错误的结果。

技术实现思路

[0006]本专利技术提供一种基于特征信息与注意力的微小缺陷检测方法及系统，利用聚类思想获得Anchor，采用了不同空洞率的卷积块，对特征信息作加权处理，解决上述技术问题。
[0007]本专利技术的目的是这样实现的：一种基于上下文特征信息与注意力机制的微小缺陷检测方法，包括以下步骤：
[0008]第一步：采用有序概率密度加权方法对多次聚类结果进行优化，以获得最优先验框。具体算法包括S1
‑
S4四个小步骤：
[0009]S1:利用K
‑
means产生多组聚类结果并排序；
[0010]S2:将重新排列的数据按行组成矩阵，并再次排序；
[0011]S3:利用算法确定S2中每个数据的权重；
[0012]S4:利用S3产生的权重重新对S2数据按列进行加权综合。
[0013]第二步：对第一步的最优先验框，利用不同扩张率的空洞卷积，捕获不同维度感受野下的语义信息，多个维度语义信息通过反卷积转换后融合为多维度接受域的特征信息；
[0014]第三步：针对第二步中融合后的多维度接受域的特征信息，利用通道注意力模块作加权处理。
[0015]进一步，所述一种基于特征信息与注意力的微小缺陷检测方法，其特征在于：第一步S1中每组聚类结果包括九个先验框尺寸的长和宽，将每组结果中的长，宽数据按尺寸大小从大到小进行排序，尺寸大小等于长和宽的乘积。
[0016]进一步，所述一种基于特征信息与注意力的微小缺陷检测方法，其特征在于：第一步S2中矩阵排列方式为矩阵中每列数据再按尺寸大小从大到小进行排序。
[0017]进一步，所述一种基于特征信息与注意力的微小缺陷检测方法，其特征在于：第一步S3中，算法采用OWA有序平均加权算子。
[0018]进一步，所述一种基于特征信息与注意力的微小缺陷检测方法，其特征在于：第一步S3具体操作为：权重w＝(w1,w2...w
n
)满足正态分布规律，如公式(1)所示：
[0019][0020]其中u
n
表示为序号1,2...n的平均数，δ
n
表示的是1,2...n的标准差(其中n表示的是利用K
‑
means实验的次数)；
[0021][0022][0023]同时为了保证w
i
∈[0,1]，且权重表达式为：
[0024][0025]将公式(2)中的表达式代入公式(4)得到最终权重表达式：
[0026][0027]利用公式(5)得出S2中每个数据的权重w
i
。
[0028]进一步，所述一种基于特征信息与注意力的微小缺陷检测方法，其特征在于：第一步S4加权综合操作为：利用公式(5)获得的权重值对每列数据作加权综合：
[0029][0030]进一步，所述一种基于特征信息与注意力的微小缺陷检测方法，其特征在于：第三步加权处理具体方式为：协调注意力网络将为对突出物体显示高响应的通道分配更大的权重，包括以下步骤：
[0031]S1：将第二步融合后的特征信息f
h
∈R
W
×
H
×
C
展开为f
h
∈[f
1h
,f
2h
,f
3h
,...,f
ch
]，其中f
ih
∈R
W
×
H
表示第i个特征图，C表示总的特征通道数；
[0032]S2：对每个特征图使用平均池化操作，获得一个一维特征向量；
[0033]S2：然后通过两个全连接层来建立通道间依赖关系，并对每个通道作加权处理，如公式(7)所示：
[0034]CA＝F(v
h
,W)＝δ1(f
c2
(δ(f
c1
(v
h
,W1)),W2))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0035]其中w为通道注意中参数，δ1为sigmod激活函数，δ为RELU激活函数；f为全连接层；v
h
为池化后标量。
[0036]有益效果：通道注意力模块将会突出检测目标所在的区域，并对该通道赋予更大的权重，对于无用的特征通道将会降低其在网络中的权重，以此去除掉网路中的冗余特征信息。
[0037]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征信息与注意力的微小缺陷检测方法，其特征在于：包括以下步骤：第一步：采用有序概率密度加权方法对多次聚类结果进行优化，以获得最优先验框，具体包括步骤S1
‑
S4：S1:利用K
‑
means产生多组聚类结果并排序；S2:将重新排列的数据按行组成矩阵，并再次排序；S3:确定S2中每个数据的权重；S4:利用S3产生的权重，重新对S2数据按列进行加权综合；第二步：对第一步的最优先验框，利用不同扩张率的空洞卷积，捕获不同维度感受野下的语义信息，多个维度语义信息通过反卷积转换后融合为多维度接受域的特征信息；第三步：对第二步中所述特征信息，利用通道注意力模块作加权处理。2.根据权利要求1所述的一种基于特征信息与注意力的微小缺陷检测方法，其特征在于：第一步S1中每组聚类结果包括九个先验框尺寸的长和宽，将每组结果中的长、宽数据按尺寸大小从大到小进行排序，尺寸大小等于长和宽的乘积。3.根据权利要求2所述的一种基于特征信息与注意力的微小缺陷检测方法，其特征在于：第一步S2中矩阵排列方式为矩阵中每列数据再按尺寸大小从大到小进行排序。4.根据权利要求3所述的一种基于特征信息与注意力的微小缺陷检测方法，其特征在于：第一步S3中，采用OWA有序平均加权算子。5.根据权利要求4所述的一种基于特征信息与注意力的微小缺陷检测方法，其特征在于：第一步S3具体操作为：权重w＝(w1,w2...w
n
)满足正态分布规律，如公式(1)所示：其中u
n
表示为序号1,2...n的平均数，δ
n
表示的是1,2...n的标准差(其中n表示的是利用K
‑
means实验的次数)；means实验的次数)；同时为了保证w
i
∈[0,1]，且权重表达式为：将公式(2)中的表达式代入公式(4)得到最终权重表达...

【专利技术属性】
技术研发人员：杨杰，高攀，李文林，何志容，殷军，姜克鑫，
申请(专利权)人：重庆工贸职业技术学院，
类型：发明
国别省市：